使用python寫的調內參的簡易程式

根據灰度值來推測調齊內參所需要的蛋白質濃度（以最簡單的最小二乘法來計算）：一開始上樣的時候最好等體積上樣（蛋白溶度調成一致）。確保每個樣的上樣體積一致。多做2個重複取平均值。然後採用灰度分析進行內參調整，從而調整之後的上樣量。

自變數與因變數的一系列對應資料,(x1,y1),(x2,y2),(x3,y3),...(xn,yn)，分別是已經做好的實驗的蛋白質濃度和相對應的灰度值。input，以陣列來儲存這些資料，然後的output就是根據最小二乘法得出的調內參的最適濃度。

假設存在和實際資料最擬合的函式,y=f(x)，使得實際資料和理論曲線的離差平方和:∑[yi-f(xi)]^2（從i=1到i=n相加）為最小，一般我們假設是線性關係，以線性回歸方程表示如y= a0 + a1 x ；∑(x--x平)(y--y平)=∑xy--nx平y平；∑(x --x平)^2=∑x^2--nx平^2；

當∑[yi-f(xi)]^2（從i=1到i=n相加）最小時，可用函式 φ 對a0、a1求偏導數，令這兩個偏導數等於零。得到的兩個關於a0、 a1為未知數的兩個方程組，解這兩個方程組得出：a0 = (∑yi) / m - a1(∑xi) / m ；a1 = [∑xi yi - (∑xi ∑yi)/ m] / [∑xi2 - (∑xi)2 / m)]

得到不同孔道對應的不同線性關係，然後我們可以選定乙個我們需要的灰度值y，反過來求解每個孔特定蛋白質的濃度xi。

我目前只是弄出來最簡易的，完全是面向過程的簡易程式，需要乙個個資料自己敲進去，然後再計算處理理論上想要調齊內參的蛋白質加樣濃度；進一步的可以將資料記錄在txt或者excel檔案中，然後讀取出來再進行計算，

還是有很大的進步空間嘛！

a=input("請輸入該孔道的三次蛋白質加樣量，以逗號隔開：")  
b=input("請輸入該孔道的三次灰度值，以逗號隔開：")  
aim=int(input("目標內參的灰度值="))  
c=  
d=  
for i in a.split(','):  
for i in b.split(','):  
l=0.0  
m=0.0
n=0.0 
p=0.0
e=0.0
f=0.0
for i in c:  
l=l+i  #x的加和σx：l
for i in d:  
m=m+i  #y的加和σy:m
for i in c:  
n=n+l*l  #x平方的加和σx^2:n
p=p+l*m  #x*y的加和σxy:p
e=(p-l*m/3.0/(n-l*l/3.0)  #最小二乘法公式：a=(σxy-σxσy/n)/(σx^2-(σx)^2/n)，a是斜率
f=m/3.0-e*l/3.0 #b=y(平均)-a*x（平均）；b是截距
aimcon=(aim-f)/e
print(e,f)
print("線性回歸方程是：y=",e,"x+",f)
print(aimcon)

改進版

b=input("請輸入該孔道的三次灰度值，以逗號隔開：")  
aim=int(input("目標內參的灰度值="))  
c=  
d=  
for i in a.split(','):  
for i in b.split(','):  
l=0.0  
m=0.0
n=0.0 
p=0.0
e=0.0
f=0.0
for i in c:  
l=l+i  #x的加和：l
n=sum([ i*i for i in c])#x平方的加和:n
for i in d:  
m=m+i  #y的加和:m
p=sum([c[i]*d[i] for i in range(0,3)])#x*y的加和:p
e=(p-l*m/3)/(n-l*l/3)  #最小二乘法公式：a=(σxy-σxσy/n)/(σx^2-(σx)^2/n)，a是斜率
f=m/3.0-e*l/3.0 #b=y(平均)-a*x（平均）；b是截距
aimcon=(aim-f)/e
print(l,m,n,p,e,f)#用於測試各個量是否正確
print("線性回歸方程是：y=",e,"x+",f)
print("理論上的加樣量=",aimcon)

使用python寫的調內參的簡易程式

python的簡單使用 python模組簡單使用

python爬蟲框架feapde的使用簡介

使用C寫Python的模組

使用python寫的調內參的簡易程式

python的簡單使用 python模組簡單使用

python爬蟲框架feapde的使用簡介

使用C寫Python的模組

相關推薦