替代 scipy.optimize.curve_fit

Question

我正在尝试使用 matplotlib 绘制一些可视化效果，并且在我的一个函数中，我检查波是否是对数的。这是我当前的工作版本：

import numpy as np
def is_logarithmic(waves):

    def expfunc(x, a, b, c):
        return a*np.exp(b*x) + c

    wcopy = list(waves)
    wcopy.sort()

    # If the ratio of x-max : x-min < 10, don't use a logarithmic scale
    # (at least in matplotlib)
    if (wcopy[-1] / wcopy[0]) < 10:
        return False

    # Take a guess at whether it is logarithmic by seeing how well the x-scale
    # fits an exponential curve
    diffs = []
    for ii in range(len(wcopy) - 1):
        diffs.append(wcopy[ii + 1] - wcopy[ii])

    # Fit the diffs to an exponential curve
    x = np.arange(len(wcopy)-1)
    try:
        popt, pcov = curve_fit(expfunc, x, diffs)
    except Exception as e:
        print e
        popt = [0.0, 0.0, 0.0]
        pcov = np.inf

    # If a > 0.5 and covsum < 1000.0
    # use a logarithmic scale.
    if type(pcov) == float:
        # It's probably np.inf
        covsum = pcov
    else:
        covsum = pcov.diagonal().sum()
    res = (covsum < 1000.0) & (popt[0] > 0.5)
    return res

我正在尝试寻找 scipy 的 curve_fit() 的替代方法，因为我不想为了使用那个功能而安装这么大的库。是否有其他我可以使用的东西，或者理想情况下仅使用 numpy 和 matplotlib 的其他函数的组合，以获得类似的结果？

Answer 1

Numpy 可以执行线性 (numpy.linalg.lstsq) 和多项式拟合 (numpy.polyfit)。通常，您需要 scipy 来适应您自己定义的函数（scipy 使用 fortran minpack 而 numpy 仅使用 C 构建）。

但是，对于您的示例，您可以使用与 this 问题类似的方法来拟合 exp。基本上，取等式两边的对数并使用 numpy.polyfit.

Answer 2

您还可以使用 lmfit.models 库，它有很多预定义的模型。

https://lmfit.github.io/lmfit-py/

https://lmfit.github.io/lmfit-py/builtin_models.html#exponential-and-power-law-models

也支持自定义功能

替代 scipy.optimize.curve_fit

Alternative to scipy.optimize.curve_fit

python

numpy

matplotlib

scipy