脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → Python曲线拟合

使用Python实现3D曲线拟合

 更新时间：2023年11月21日 08:40:37   作者：python收藏家  
曲线拟合是数据分析和数学建模领域中广泛使用的技术,它涉及到寻找最接近一组数据点的数学函数的过程,本文我们将讨论如何使用SciPy库在Python中执行3D曲线拟合,感兴趣的小伙伴可以了解下

曲线拟合是数据分析和数学建模领域中广泛使用的技术。它涉及到寻找最接近一组数据点的数学函数的过程。在3D曲线拟合中，该过程被扩展到三维空间，其中的目标是找到最好地表示一组3D数据点的函数。

Python是一种用于科学计算的流行编程语言，它提供了几个可用于3D曲线拟合的库。在本文中，我们将讨论如何使用SciPy库在Python中执行3D曲线拟合。

SciPy库

SciPy库是Python中用于科学计算的强大工具。它为优化、积分、插值和曲线拟合提供了广泛的功能。在本文中，我们将重点介绍该库的曲线拟合功能。

SciPy提供了curve_fit函数，可用于在Python中执行曲线拟合。该函数将待拟合的数据点和待用于拟合的数学函数作为输入。然后，该函数返回最接近输入数据的数学函数的优化参数。

让我们来看看使用Python中的SciPy库对100个随机生成的点进行3D曲线拟合的完整分步过程。

需要安装库：

pip install numpy
pip install scipy
pip install matplotlib

Python中的3D曲线拟合

现在让我们看看如何使用SciPy库在Python中执行3D曲线拟合。我们将首先使用NumPy库生成一些随机的3D数据点。

import numpy as np

# Generate random 3D data points
x = np.random.random(100)
y = np.random.random(100)
z = np.sin(x * y) + np.random.normal(0, 0.1, size=100)
data = np.array([x, y, z]).T

我们已经在3D空间中生成了100个随机数据点，其中z坐标被定义为具有一些添加的噪声的x和y坐标的函数。

接下来，我们将定义用于曲线拟合的数学函数。在这个例子中，我们将使用一个简单的3次多项式函数。

def func(xy, a, b, c, d, e, f):
    x, y = xy
    return a + b*x + c*y + d*x**2 + e*y**2 + f*x*y

该函数将数据点的x和y坐标以及六个参数a、b、c、d、e和f作为输入。这些参数是在曲线拟合期间将被优化的多项式函数的系数。

我们现在可以使用SciPy库中的curve_fit函数执行曲线拟合。

from scipy.optimize import curve_fit

# Perform curve fitting
popt, pcov = curve_fit(func, (x, y), z)

# Print optimized parameters
print(popt)

输出

[ 0.04416919 -0.12960835 -0.11930051  0.16187097  0.1731539   0.85682108]

curve_fit函数将用于曲线拟合的数学函数和要拟合的数据点作为输入。它返回两个数组，popt和pcov。popt数组包含数学函数的参数的优化值，pcov数组包含参数的协方差矩阵。

Python中的curve_fit（）函数用于执行非线性回归曲线拟合。它使用最小二乘优化方法来找到最适合给定数据集的用户定义函数的优化参数。

关于popt和pcov

popt和pcov是Python中curve_fit（）函数的两个输出。popt是拟合函数的优化参数的1-D阵列，而pcov是优化参数的估计协方差矩阵。

通过使用最小二乘优化算法最小化拟合函数和实际数据点之间的残差平方和来计算Popt。curve_fit（）函数使用Levenberg-Marquardt算法来执行此优化。该算法迭代地调整参数值，以最小化目标函数，直到收敛。

使用优化参数值处的目标函数的梯度的协方差矩阵来估计pcov。pcov的对角元素表示优化参数的方差，非对角元素表示参数之间的协方差。pcov用于估计优化参数值的不确定性。

我们现在可以使用优化的参数在3D空间中绘制拟合曲线。

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# Create 3D plot of the data points and the fitted curve
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(x, y, z, color='blue')
x_range = np.linspace(0, 1, 50)
y_range = np.linspace(0, 1,
X, Y = np.meshgrid(x_range, y_range)
Z = func(X, Y, *popt)
ax.plot_surface(X, Y, Z, color='red', alpha=0.5)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()

输出

上面的代码创建了数据点和拟合曲线的3D图。蓝点表示原始数据点，红色表面表示拟合曲线。

完整代码

现在，下面是完整的代码，展示了我们如何使用SciPy库在Python中进行3D曲线拟合。

import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# Generate random 3D data points
x = np.random.random(100)
y = np.random.random(100)
z = np.sin(x * y) + np.random.normal(0, 0.1, size=100)
data = np.array([x, y, z]).T

# Define mathematical function for curve fitting
def func(xy, a, b, c, d, e, f):
	x, y = xy
	return a + b*x + c*y + d*x**2 + e*y**2 + f*x*y

# Perform curve fitting
popt, pcov = curve_fit(func, (x, y), z)

# Print optimized parameters
print(popt)

# Create 3D plot of the data points and the fitted curve
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(x, y, z, color='blue')
x_range = np.linspace(0, 1, 50)
y_range = np.linspace(0, 1, 50)
X, Y = np.meshgrid(x_range, y_range)
Z = func((X, Y), *popt)
ax.plot_surface(X, Y, Z, color='red', alpha=0.5)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()

输出

样条插值

样条插值是一种使用分段多项式函数拟合一组数据点的插值方法。插值函数是通过将数据划分为更小的子集或“段”，并将低次多项式拟合到每个段来构造的。然后，这些多项式段在称为节点的点处连接在一起，形成连续且平滑的插值。

scipy库提供了几个样条插值函数，例如interp2d和Rbf。

import numpy as np
from scipy.interpolate import Rbf
import matplotlib.pyplot as plt

# Generate random 3D data points
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.cos(np.sqrt(X**2 + Y**2))
# Fit a radial basis function model
rbf = Rbf(X, Y, Z, function="quintic")
Z_pred = rbf(X, Y)

# Plot the original data and the fitted function
fig = plt.figure()
ax = fig.add_subplot(projection="3d")
ax.plot_surface(X, Y, Z)
ax.plot_surface(X, Y, Z_pred)
plt.show()

输出

在本文中，我们讨论了如何使用SciPy库在Python中执行3D曲线拟合。我们生成了一些随机的3D数据点，定义了一个多项式函数用于曲线拟合，并使用曲线拟合函数来找到函数的优化参数。然后，我们使用这些参数在3D空间中绘制拟合曲线。

曲线拟合是数据分析和数学建模的强大技术，Python提供了几个库，可以轻松执行曲线拟合。SciPy库是Python中曲线拟合的热门选择，它提供了几个可用于1D，2D和3D空间中曲线拟合的函数。

以上就是使用Python实现3D曲线拟合的详细内容，更多关于Python曲线拟合的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

相关文章

  • Python绘制3D曲面图的示例代码

    Python绘制3D曲面图的示例代码

    Python提供了多种库和工具,使得创建和定制3D曲面图变得简单,本文将介绍如何使用Matplotlib和mpl_toolkits.mplot3d库绘制3D曲面图,感兴趣的可以了解下
    2024-04-04
  • 如何理解Python中包的引入

    如何理解Python中包的引入

    在本篇文章里小编给各位分享的是一篇关于Python中包的引入详解内容，需要的朋友们可以参考学习下。
    2020-05-05
  • 详解Python查找算法的实现(线性,二分,分块,插值)

    详解Python查找算法的实现(线性,二分,分块,插值)

    这篇文章主要为大家介绍了Python中常见的四种查找算法的实现：线性、二分、分块和插值，文中通过图片详细讲解了它们实现的原理与代码，需要的可以参考一下
    2022-04-04
  • Python实现数据集自动划分的示例代码(训练集/验证集/测试集)

    Python实现数据集自动划分的示例代码(训练集/验证集/测试集)

    本文提供了一段Python脚本,用于自动将数据集按照指定比例划分为训练集、验证集和测试集,并保证结果可复现,脚本涵盖了目录设置、文件读取与划分、文件复制及结果输出等步骤,适用于深度学习模型的训练与评估,需要的朋友可以参考下
    2026-04-04
  • Python中的单行、多行、中文注释方法

    Python中的单行、多行、中文注释方法

    今天小编就为大家分享一篇Python中的单行、多行、中文注释方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2018-07-07
  • python学习数据结构实例代码

    python学习数据结构实例代码

    数据结构就是用来将数据组织在一起的结构。换句话说，数据结构是用来存储一系列关联数据的东西。在Python中有四种内建的数据结构，分别是List、Tuple、Dictionary以及Set。本文将通过实例来介绍这些数据结构的用法。
    2015-05-05
  • pandas apply使用多列计算生成新的列实现示例

    pandas apply使用多列计算生成新的列实现示例

    这篇文章主要介绍了pandas apply使用多列计算生成新的列实现示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2021-02-02
  • PyQt5 实现给无边框widget窗口添加背景图片

    PyQt5 实现给无边框widget窗口添加背景图片

    这篇文章主要介绍了PyQt5 实现给无边框widget窗口添加背景图片的操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2021-03-03
  • 如何使用Pytorch搭建模型

    如何使用Pytorch搭建模型

    本来是只用Tenorflow的，但是因为TF有些Numpy特性并不支持，比如对数组使用列表进行切片，所以只能转战Pytorch了（pytorch是支持的）。还好Pytorch比较容易上手，几乎完美复制了Numpy的特性（但还有一些特性不支持），怪不得热度上升得这么快。
    2020-10-10
  • python实现WebP格式转成JPG、PNG和JPEG的方法

    python实现WebP格式转成JPG、PNG和JPEG的方法

    平时在网上搜索图片,另存为时常常遇到 WebP 格式,而非常见的 JPG、PNG、JPEG 格式,所以以此文记录一下WebP的读取和转换方法,希望对大家有所帮助,需要的朋友可以参考下
    2024-06-06

最新评论