numpy.ma.polyfit¶
-
numpy.ma.
polyfit
(x, y, deg, rcond=None, full=False, w=None, cov=False)[source]¶ 最小二乘多项式拟合。
拟合多项式
p(x) = p [0] * x **度 + ... + p [deg] > deg到点(x,y)。
返回使平方误差最小的系数p的向量。参数: x:array_like,shape(M,)
M个采样点
(x [i], y [i])
的x坐标。y:array_like,shape(M,)或(M,K)
y坐标。通过传递每列包含一个数据集的2D阵列,可以一次拟合共享相同x坐标的样本点的若干数据集。
deg:int
拟合多项式的程度
rcond:float,可选
相对条件编号。相对于最大奇异值小于该值的奇异值将被忽略。默认值为len(x)* eps,其中eps是float类型的相对精度,在大多数情况下约为2e-16。
full:bool,可选
开关确定返回值的性质。当它为False(默认值)时,只返回系数,当来自奇异值分解的True诊断信息也返回时。
w:array_like,shape(M,),可选
应用于采样点的y坐标的权重。对于高斯不确定性,使用1 / sigma(不是1 / sigma ** 2)。
cov:bool,可选
返回估计和估计的协方差矩阵如果full为True,则不返回cov。
返回: p:ndarray,shape(M,)或(M,K)
多项式系数,最高功率先。如果y是2-D,则k数据集的系数在
p[:,k]
中。残差,秩,奇异值,rcond:
仅在满 = True时存在。最小二乘拟合的残差,缩放的Vandermonde系数矩阵的有效秩,其奇异值和rcond的指定值。有关详细信息,请参阅linalg.lstsq。
V : ndarray, shape (M,M) or (M,M,K)
仅当满 = False且cov`= True时才显示。多项式系数估计的协方差矩阵。该矩阵的对角线是每个系数的方差估计。如果y是2-D数组,则第k个数据集的协方差矩阵在
V[:,:,k]
警告: RankWarning
最小二乘法拟合中的系数矩阵的秩是不足的。只有在满 = False时,才会发出警告。
警告可以通过关闭
>>> import warnings >>> warnings.simplefilter('ignore', np.RankWarning)
也可以看看
polyval
- 计算多项式值。
linalg.lstsq
- 计算最小二乘拟合。
scipy.interpolate.UnivariateSpline
- 计算样条拟合。
笔记
x中的任何掩码值都在y中传播,反之亦然。
参考文献
[R52] 维基百科,“曲线拟合”,http://en.wikipedia.org/wiki/Curve_fitting [R53] 维基百科,“多项式插值”,http://en.wikipedia.org/wiki/Polynomial_interpolation 例子
>>> x = np.array([0.0, 1.0, 2.0, 3.0, 4.0, 5.0]) >>> y = np.array([0.0, 0.8, 0.9, 0.1, -0.8, -1.0]) >>> z = np.polyfit(x, y, 3) >>> z array([ 0.08703704, -0.81349206, 1.69312169, -0.03968254])
使用poly1d对象来处理多项式很方便:
>>> p = np.poly1d(z) >>> p(0.5) 0.6143849206349179 >>> p(3.5) -0.34732142857143039 >>> p(10) 22.579365079365115
高阶多项式可能会剧烈振荡:
>>> p30 = np.poly1d(np.polyfit(x, y, 30)) /... RankWarning: Polyfit may be poorly conditioned... >>> p30(4) -0.80000000000000204 >>> p30(5) -0.99999999999999445 >>> p30(4.5) -0.10547061179440398
插图:
>>> import matplotlib.pyplot as plt >>> xp = np.linspace(-2, 6, 100) >>> _ = plt.plot(x, y, '.', xp, p(xp), '-', xp, p30(xp), '--') >>> plt.ylim(-2,2) (-2, 2) >>> plt.show()