适合一些复杂的功能

Question

我正在尝试使用复杂功能拟合数据，该功能包括一些特殊的功能，并且对此有问题。它是此处介绍的公式（imgur）。为此，我使用spicy.optimize.curve。但是为了简单起见，我会跳过特殊功能，并且想与类似功能相吻合。我的问题是，我想使用一些函数的功能将数据拟合，但这也隐藏在一个积分中。

在这里，仅对于这篇文章，我生成了一些带有正常分布的数据，而不是我的情节的好数据，而只是为了运行代码。我有一个错误，

only size-1 arrays can be converted to Python scalars

我的代码在下面介绍。因此，lambda参数是我想从拟合中获得的参数。

import numpy as np
from scipy.optimize import curve_fit
import random
from scipy import integrate

def integrand(ξ, s, λ):
    return np.exp(-ξ**2-2*ξ*λ)*np.cos(2*ξ*s)

def curve(s, ξ, λ):
    return s/λ*np.exp(-s**2/λ**2)*integrate.quad(integrand, 0, np.infty, args=(s, λ))[0]

X = np.random.normal(0, 1, 10)
Y = np.random.normal(0, 1, 10)

X = np.array(X)
Y = np.array(Y)

params, cov = curve_fit(curve, X, Y)

Answer 1

问题在于您的函数“曲线”不接受numpy数组或列表作为输入，但是您可以对其进行矢量化：

from scipy.optimize import curve_fit
from scipy import integrate
import matplotlib.pyplot as plt
import numpy as np
import random

def integrand(ξ, s, λ):
    return np.exp(-ξ**2-2*ξ*λ)*np.cos(2*ξ*s)

@np.vectorize
def curve(s, λ):
    return s/λ*np.exp(-s**2/λ**2)*integrate.quad(integrand, 0, np.infty, args=(s, λ))[0]

x = np.linspace(0,3, 100)
y = curve(x,1) + np.random.normal(0, 0.005, 100)

params, cov = curve_fit(curve, x, y, p0=[0.3])

plt.scatter(x,y, s=4)
plt.plot(x, curve(x,params[0]))
plt.show()

对于更优雅的矢量化方法，尝试执行函数阵列兼容或在此处查看：

< a href =“ https://numpy.org/doc/stable/reference/generated/numpy.dectorize.html” 。vectorize.html