我是Python的新手.我有一个数据集,我正在尝试使用numPy / sciPy来预测/推断未来的数据点.是否有一种简单的方法来提出适合我当前数据的数学函数(比如,正弦函数),然后我可以将新值传递给该函数以获得我的预测？
这就是我所拥有的,但我不认为它正在做我想要的：
import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt
def main():
y = [8.3,8.3,7.2,7.8,9.4,10.6,10.0,11.1,12.8,11.7,8.9,6.7,13.3,15.0,15.6,6.0,6.1,12.2,14.4,16.7,8.0,13.9,9.0,12.0,13.0,11.0,5.6,8.3]
x = np.array(np.arange(len(y)))
fitting_parameters,covariance = curve_fit(fit,x,y)
a = fitting_parameters[0]
b = fitting_parameters[1]
c = fitting_parameters[2]
d = fitting_parameters[3]
for x_predict in range(len(y) + 1,len(y) + 24):
next_x = x_predict
next_y = fit(next_x,a,b,c,d)
print("next_x: " + str(next_x))
print("next_y: " + str(next_y))
y.append(next_y)
plt.plot(y)
plt.show()
def fit(x,d):
return a*np.sin(b*x + c) + d
我尝试使用curve_fit和univariatespline我的数据,但这只适合我当前的数据并分别平滑我的点数.我的观点是,这些工具只是“适合”我的数据,但实际上并没有给我一个我可以用来获得未来积分的功能.
我以为我可以使用离散傅里叶变换,因为我的数据是周期性的,看起来它可以被描述为正弦和余弦的总和.但是,一旦我从时域获得频域,我就会被困在如何“推断”以预测时域中的未来时段和点：
import numpy as np
import matplotlib.pyplot as plt
mydata = [8.3,8.3]
sp = np.fft.rfft(mydata)
freq = np.fft.rfftfreq(len(mydata),d= 1.0)
plt.subplot(211)
plt.plot(mydata)
plt.subplot(212)
plt.plot(freq,sp,'r')
plt.show()
我知道推断可能是危险的和不可靠的,但是为了这个项目的目的,我只是想获得一个可以绘制的工作预测函数.
非常感谢您的帮助. 最佳答案
这是一种通过将周期性数据表示为傅立叶级数进行插值的方法.通过采用离散FFT获得傅立叶级数中使用的系数.
我不推荐这个 – 你可以在下面看到插值并不是人们直觉上认为非常好的 – 但是因为我在评论中已经提到它,所以我会跟进并显示一些代码:)
import numpy as np
import matplotlib.pyplot as plt
import scipy.fftpack as fftpack
def fft_inverse(Yhat,x):
"""Based on https://stackoverflow.com/a/4452499/190597 (mtrw)"""
Yhat = np.asarray(Yhat)
x = np.asarray(x).reshape(-1,1)
N = len(Yhat)
k = np.arange(N)
total = Yhat * np.exp(1j * x * k * 2 * np.pi / N)
return np.real(total.sum(axis=1))/N
mydata = [8.3,8.3]
Yhat = fftpack.fft(mydata)
fig,ax = plt.subplots(nrows=2,sharex=True)
xs = np.arange(len(mydata))
ax[0].plot(xs,mydata)
new_xs = np.linspace(xs.min(),xs.max(),len(mydata)*1.5)
new_ys = fft_inverse(Yhat,new_xs)
ax[1].plot(new_xs,new_ys)
plt.xlim(xs.min(),xs.max())
plt.show()
以下是如何使用scipy.optimize查找适合模型函数的参数,然后可以使用该函数在任意x坐标处进行插值.使用单一罪恶的拟合仍然非常可怕,但我将发布代码只是为了展示如何使用scipy.optimize无论如何：
import numpy as np
import matplotlib.pyplot as plt
import scipy.optimize as optimize
mydata = np.array(
[8.3,8.3])
def fit(x,d):
return a*np.sin(b*x + c) + d
xs = np.linspace(0,2*np.pi,len(mydata))
guess = (mydata.ptp()/2,10,mydata.mean())
fitting_parameters,covariance = optimize.curve_fit(fit,xs,mydata,p0=guess)
a,d = fitting_parameters
print(a,d)
fig,sharex=True)
ax[0].plot(xs,len(mydata)*1.5)
new_ys = fit(new_xs,d)
ax[1].plot(new_xs,xs.max())
plt.show()
您可以通过选择更好的模型功能(代替合适)来改善贴合度.选择什么是由您的问题领域的先验知识引导的创造力和直觉问题.更好的方法不仅取决于拟合的好坏,还取决于您希望模型的简单性或复杂性,以及/或应用于新数据集时的预测能力. （编辑：李大同）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
