为 3D 坐标生成最佳拟合曲线

Question

亲爱的：我有一个包含多个 3D 数据点的数据集，我正在尝试为该数据集找到最佳拟合曲线。我可以按照以下方式在 2D 中执行此操作。

import numpy as np
import os
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
df_reg1=pd.read_csv('C:\Users\wilso\python\datasets\PCD\df_clean_rail.csv')
df_reg=df_reg1[['x','y','z']]
data = df_reg.values
x, y, z = data[:, 0], data[:, 1], data[:, 2]
def objective(x, a, b, c):
    return a * x + b * x**2 + c
popt, _ = curve_fit(objective, x, y)
a, b, c = popt
print('y = %.5f * x + %.5f * x^2 + %.5f' % (a, b, c))
plt.scatter(x, y)
x_line = np.arange(min(x), max(x), 1)
y_line = objective(x_line, a, b, c)
plt.plot(x_line, y_line, '--', color='red')
plt.xlim(-100,10)
plt.ylim(-10,10)
plt.show()

但是，如果我在 3D 中尝试相同的方法，我将得到回溯

def objective(x, y, a, b, c):
    return a * x + b * y**2 + c
popt, _ = curve_fit(objective, x, y, z)
TypeError: objective() takes 5 positional arguments but 14884 were given

谁能给我一些提示吗？非常感谢您的宝贵时间和大力支持。

此致

威尔逊

Answer 1

函数curve_fit可以用于多维曲线，但不能像你那样调用

所有自变量都应该在xdata中。例如：

In [121]: data.shape
Out[121]: (1000, 3)
In [122]: f = lambda x,a,b,c,d: a*x[0]**2 +b*x[1]**2 + c*x[0]*x[1]+d
In [123]: curve_fit(f, data[:, :2].T, ydata=data[:, 2])

这里我所有的数据都在一个数组中，我分别输入了自变量和因变量。

为 3D 坐标生成最佳拟合曲线

Generate best fit curve for 3D coordinates

python

numpy

best-fit-curve

point-clouds