【Python数值分析】革命：引领【数学建模】新时代的插值与拟合前沿技术

news2024/9/20 16:50:17

目录

​编辑

第一部分：插值的基本原理及应用

1. 插值的基本原理

1.1 插值多项式

1.2 拉格朗日插值 

1.3 牛顿插值 

1.4 样条插值

2. 插值的Python实现

2.1 使用 NumPy 进行插值

2.2 使用 SciPy 进行插值

2.2.1 一维插值

​编辑

2.2.2 二维插值

3. 插值的应用场景

3.1 数据平滑和填补

3.2 图像处理

​编辑

3.3 数值模拟

4. 实例分析

实例1：空气质量数据的校准

​编辑

实例2：波浪能最大输出功率设计

第二部分：拟合的基本原理及应用

1. 拟合的基本原理

1.1 线性拟合

1.2 多项式拟合

1.3 指数拟合

​编辑

1.4 对数拟合

​编辑

1.5 幂函数拟合

2. 拟合的Python实现

2.1 使用 SciPy 进行拟合

2.1.1 线性拟合

2.1.2 多项式拟合

2.1.3 指数拟合

2.1.4 对数拟合

2.1.5 幂函数拟合

3. 拟合的应用场景

3.1 数据预测

3.2 数据建模

3.3 物理实验数据分析

3.4 工程设计

4. 实例分析

实例1：股票价格预测

实例2：温度变化分析

总结 

731bd47804784fa2897220a90a387b28.gif

专栏：数学建模学习笔记

第一部分：插值的基本原理及应用

1. 插值的基本原理

插值是一种在已知数据点之间估算函数值的方法。它在数据分析、信号处理和数值分析中具有广泛应用。插值的目标是通过构造一个插值函数，使该函数在给定的数据点处具有精确的函数值。

1.1 插值多项式

1.2 拉格朗日插值 

import numpy as np
import matplotlib.pyplot as plt

# 拉格朗日基函数
def lagrange_basis(x, x_values, j):
    basis = 1
    for i in range(len(x_values)):
        if i != j:
            basis *= (x - x_values[i]) / (x_values[j] - x_values[i])
    return basis

# 拉格朗日插值多项式
def lagrange_interpolation(x, x_values, y_values):
    interpolation = 0
    for j in range(len(y_values)):
        interpolation += y_values[j] * lagrange_basis(x, x_values, j)
    return interpolation

# 数据点
x_values = np.array([0, 1, 2, 3, 4, 5])
y_values = np.array([1, 3, 2, 5, 7, 8])

# 插值点
x_interp = np.linspace(0, 5, 100)
y_interp = [lagrange_interpolation(x, x_values, y_values) for x in x_interp]

# 绘图
plt.plot(x_values, y_values, 'o', label='Data points')
plt.plot(x_interp, y_interp, '-', label='Lagrange Interpolation')
plt.legend()
plt.xlabel('x')
plt.ylabel('y')
plt.show()

 

1.3 牛顿插值 

import numpy as np
import matplotlib.pyplot as plt

# 计算差分商
def divided_diff(x_values, y_values):
    n = len(x_values)
    coef = np.zeros([n, n])
    coef[:,0] = y_values
    
    for j in range(1,n):
        for i in range(n-j):
            coef[i][j] = (coef[i+1][j-1] - coef[i][j-1]) / (x_values[i+j] - x_values[i])
    
    return coef[0,:]

# 牛顿插值多项式
def newton_interpolation(x, x_values, coef):
    n = len(x_values) - 1 
    p = coef[n]
    for k in range(1,n+1):
        p = coef[n-k] + (x -x_values[n-k])*p
    return p

# 数据点
x_values = np.array([0, 1, 2, 3, 4, 5])
y_values = np.array([1, 3, 2, 5, 7, 8])

# 计算差分商系数
coef = divided_diff(x_values, y_values)

# 插值点
x_interp = np.linspace(0, 5, 100)
y_interp = [newton_interpolation(x, x_values, coef) for x in x_interp]

# 绘图
plt.plot(x_values, y_values, 'o', label='Data points')
plt.plot(x_interp, y_interp, '-', label='Newton Interpolation')
plt.legend()
plt.xlabel('x')
plt.ylabel('y')
plt.show()

 

1.4 样条插值

样条插值是一种分段插值方法。常见的样条插值包括线性样条和三次样条。三次样条插值具有良好的光滑性和逼近性能，是一种常用的插值方法。

三次样条插值代码示例：

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

# 数据点
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([1, 3, 2, 5, 7, 8])

# 创建三次样条插值对象
cs = CubicSpline(x, y)

# 插值点
x_interp = np.linspace(0, 5, 100)
y_interp = cs(x_interp)

# 绘图
plt.plot(x, y, 'o', label='Data points')
plt.plot(x_interp, y_interp, '-', label='Cubic Spline Interpolation')
plt.legend()
plt.xlabel('x')
plt.ylabel('y')
plt.show()

2. 插值的Python实现

Python 提供了丰富的库来实现插值方法，主要包括 NumPy 和 SciPy 库。

2.1 使用 NumPy 进行插值

NumPy 提供了一些基本的插值函数，例如 numpy.interp 可以进行一维线性插值。

import numpy as np
import matplotlib.pyplot as plt

# 原始数据点
x = np.linspace(0, 10, 10)
y = np.sin(x)

# 插值点
x_interp = np.linspace(0, 10, 100)
y_interp = np.interp(x_interp, x, y)

# 绘图
plt.plot(x, y, 'o', label='Original data')
plt.plot(x_interp, y_interp, '-', label='Interpolated data')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

2.2 使用 SciPy 进行插值

SciPy 提供了更加全面的插值函数，例如 scipy.interpolate.interp1d 和 scipy.interpolate.CubicSpline。

2.2.1 一维插值
from scipy.interpolate import interp1d
import numpy as np
import matplotlib.pyplot as plt

# 原始数据点
x = np.linspace(0, 10, 10)
y = np.sin(x)

# 创建插值对象
linear_interp = interp1d(x, y, kind='linear')
cubic_interp = interp1d(x, y, kind='cubic')

# 插值点
x_interp = np.linspace(0, 10, 100)
y_linear = linear_interp(x_interp)
y_cubic = cubic_interp(x_interp)

# 绘图
plt.plot(x, y, 'o', label='Original data')
plt.plot(x_interp, y_linear, '-', label='Linear interpolation')
plt.plot(x_interp, y_cubic, '--', label='Cubic interpolation')
plt.legend()
plt.show()
2.2.2 二维插值
from scipy.interpolate import RectBivariateSpline
import numpy as np
import matplotlib.pyplot as plt

# 原始数据点
x = np.linspace(0, 10, 10)
y = np.linspace(0, 10, 10)
z = np.sin(x[:, None] + y[None, :])

# 创建插值对象
linear_interp = RectBivariateSpline(x, y, z, kx=1, ky=1)
cubic_interp = RectBivariateSpline(x, y, z, kx=3, ky=3)

# 插值点
x_interp = np.linspace(0, 10, 100)
y_interp = np.linspace(0, 10, 100)
z_linear = linear_interp(x_interp, y_interp)
z_cubic = cubic_interp(x_interp, y_interp)

# 绘图
plt.subplot(1, 2, 1)
plt.imshow(z_linear, extent=(0, 10, 0, 10), origin='lower', aspect='auto')
plt.title('Linear interpolation')

plt.subplot(1, 2, 2)
plt.imshow(z_cubic, extent=(0, 10, 0, 10), origin='lower', aspect='auto')
plt.title('Cubic interpolation')

plt.show()

 

3. 插值的应用场景

插值在许多实际问题中都有广泛的应用，例如：

3.1 数据平滑和填补

在处理实验数据时，可能会遇到一些缺失值或噪声数据。插值可以用于平滑数据和填补缺失值，使数据更加连贯。

import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt

# 原始数据点，包含缺失值
x = np.array([0, 1, 2, 4, 5, 7, 8, 9])
y = np.array([3, 2, 7, 1, 8, 6, 2, 5])

# 创建插值对象
f_linear = interp1d(x, y, kind='linear')

# 插值点，包括原始数据点和缺失值
x_interp = np.arange(0, 10, 1)
y_interp = f_linear(x_interp)

# 绘图
plt.plot(x, y, 'o', label='Original data')
plt.plot(x_interp, y_interp, '-', label='Interpolated data')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

3.2 图像处理

在图像处理领域，插值常用于图像的放大、缩小和旋转。例如，双线性插值和双三次插值是常用的图像插值方法。

import numpy as np
from scipy.ndimage import zoom
import matplotlib.pyplot as plt
from skimage import data

# 加载示例图像
image = data.camera()

# 使用双线性插值进行图像缩放
zoom_factor = 2
image_zoomed = zoom(image, zoom_factor, order=1)  # order=1 表示双线性插值

# 显示原始图像和缩放后的图像
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Zoomed Image')
plt.imshow(image_zoomed, cmap='gray')

plt.show()

3.3 数值模拟

在数值模拟中，插值用于构造离散点之间的连续函数。例如，在有限元方法中，插值用于构造形函数。

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

# 离散点
x = np.linspace(0, 10, 10)
y = np.sin(x)

# 创建三次样条插值对象
cs = CubicSpline(x, y)

# 插值点
x_interp = np.linspace(0, 10, 100)
y_interp = cs(x_interp)

# 绘图
plt.plot(x, y, 'o', label='Discrete points')
plt.plot(x_interp, y_interp, '-', label='Cubic Spline Interpolation')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

4. 实例分析

为了更好地理解插值方法，我们来看一个具体的实例分析。

实例1：空气质量数据的校准

在2019年的全国大学生数学建模竞赛中，赛题涉及到空气质量数据的校准问题，需要使用插值算法来处理不完整的数据。

import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt

# 原始数据点
days = np.array([1, 2, 4, 7, 8, 10])
aqi = np.array([50, 55, 70, 65, 60, 75])

# 创建插值对象
interp = interp1d(days, aqi, kind='cubic')

# 插值点
days_interp = np.linspace(1, 10, 100)
aqi_interp = interp(days_interp)

# 绘图
plt.plot(days, aqi, 'o', label='Original data')
plt.plot(days_interp, aqi_interp, '-', label='Interpolated data')
plt.xlabel('Days')
plt.ylabel('AQI')
plt.legend()
plt.show()

实例2：波浪能最大输出功率设计

在2022年的全国大学生数学建模竞赛中，赛题涉及到波浪能最大输出功率的设计问题，需要使用插值算法来优化设计参数。

import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt

# 原始数据点
wave_heights = np.array([0.5, 1.0, 1.5, 2.0, 2.5, 3.0])
power_output = np.array([10, 20, 30, 40, 50, 60])

# 创建插值对象
interp = interp1d(wave_heights, power_output, kind='cubic')

# 插值点
wave_heights_interp = np.linspace(0.5, 3.0, 100)
power_output_interp = interp(wave_heights_interp)

# 绘图
plt.plot(wave_heights, power_output, 'o', label='Original data')
plt.plot(wave_heights_interp, power_output_interp, '-', label='Interpolated data')
plt.xlabel('Wave Heights (m)')
plt.ylabel('Power Output (kW)')
plt.legend()
plt.show()

、

第二部分：拟合的基本原理及应用

1. 拟合的基本原理

拟合是一种通过选择适当的函数形式，使该函数尽可能逼近已知数据点的方法。拟合的目的是通过已有的数据点，预测或估计未知数据点的值。拟合方法包括线性拟合、多项式拟合、指数拟合、对数拟合等。

1.1 线性拟合

线性拟合假设数据点之间的关系是线性的，通过最小二乘法求解线性方程组，得到拟合直线。线性拟合的目标函数为：

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

# 线性拟合函数
def linear_func(x, a, b):
    return a * x + b

# 数据点
xdata = np.linspace(0, 10, 10)
ydata = 2.5 * xdata + 1.0 + np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(linear_func, xdata, ydata)
yfit = linear_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'o', label='Data')
plt.plot(xdata, yfit, '-', label='Linear Fit')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

1.2 多项式拟合

多项式拟合使用多项式函数来拟合数据点。多项式的阶数越高，拟合效果越好，但也容易出现过拟合现象。多项式拟合的目标函数为：

import numpy as np
import matplotlib.pyplot as plt

# 数据点
xdata = np.linspace(0, 10, 10)
ydata = 2.5 * xdata**2 + 1.0 + np.random.normal(size=len(xdata))

# 多项式拟合
p = np.polyfit(xdata, ydata, 2)
yfit = np.polyval(p, xdata)

# 绘图
plt.plot(xdata, ydata, 'o', label='Data')
plt.plot(xdata, yfit, '-', label='Polynomial Fit')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

 

1.3 指数拟合

指数拟合假设数据点之间的关系是指数函数，通过对数变换和线性拟合相结合的方法进行求解。指数拟合的目标函数为：

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

# 指数拟合函数
def exponential_func(x, a, b):
    return a * np.exp(b * x)

# 数据点
xdata = np.linspace(0, 4, 10)
ydata = 2.5 * np.exp(1.3 * xdata) + np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(exponential_func, xdata, ydata)
yfit = exponential_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'o', label='Data')
plt.plot(xdata, yfit, '-', label='Exponential Fit')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

1.4 对数拟合

对数拟合假设数据点之间的关系是对数函数，通过非线性最小二乘法进行求解。对数拟合的目标函数为：

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

# 对数拟合函数
def logarithmic_func(x, a, b):
    return a * np.log(x) + b

# 数据点
xdata = np.linspace(1, 10, 10)
ydata = 2.5 * np.log(xdata) + 1.0 + np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(logarithmic_func, xdata, ydata)
yfit = logarithmic_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'o', label='Data')
plt.plot(xdata, yfit, '-', label='Logarithmic Fit')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

1.5 幂函数拟合

幂函数拟合假设数据点之间的关系是幂函数，通过对数变换和线性拟合相结合的方法进行求解。幂函数拟合的目标函数为：

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

# 幂函数拟合函数
def power_func(x, a, b):
    return a * x**b

# 数据点
xdata = np.linspace(1, 10, 10)
ydata = 2.5 * xdata**1.5 + np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(power_func, xdata, ydata)
yfit = power_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'o', label='Data')
plt.plot(xdata, yfit, '-', label='Power Fit')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

2. 拟合的Python实现

Python 提供了丰富的库来处理拟合问题，常用的库包括 SciPy 和 NumPy。

2.1 使用 SciPy 进行拟合

SciPy 提供了多种拟合函数，例如 scipy.optimize.curve_fit 可以进行非线性拟合。

2.1.1 线性拟合
from scipy.optimize import curve_fit
import numpy as np
import matplotlib.pyplot as plt

# 线性拟合函数
def linear_func(x, a, b):
    return a * x + b

# 数据点
xdata = np.linspace(0, 10, 50)
ydata = 2.5 * xdata + 1.0 + 0.5 * np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(linear_func, xdata, ydata)
yfit = linear_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'b-', label='Data')
plt.plot(xdata, yfit, 'r-', label='Fit: a=%.3f, b=%.3f' % tuple(popt))
plt.legend()
plt.show()

2.1.2 多项式拟合
import numpy as np
import matplotlib.pyplot as plt

# 数据点
xdata = np.linspace(0, 10, 50)
ydata = 2.5 * xdata**2 + 1.0 + 0.5 * np.random.normal(size=len(xdata))

# 拟合
p = np.polyfit(xdata, ydata, 2)
yfit = np.polyval(p, xdata)

# 绘图
plt.plot(xdata, ydata, 'b-', label='Data')
plt.plot(xdata, yfit, 'r-', label='Polynomial fit')
plt.legend()
plt.show()

2.1.3 指数拟合

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

# 指数拟合函数
def exponential_func(x, a, b):
    return a * np.exp(b * x)

# 数据点
xdata = np.linspace(0, 4, 50)
ydata = 2.5 * np.exp(1.3 * xdata) + 0.5 * np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(exponential_func, xdata, ydata)
yfit = exponential_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'b-', label='Data')
plt.plot(xdata, yfit, 'r-', label='Fit: a=%.3f, b=%.3f' % tuple(popt))
plt.legend()
plt.show()

2.1.4 对数拟合
from scipy.optimize import curve_fit
import numpy as np
import matplotlib.pyplot as plt

# 对数拟合函数
def logarithmic_func(x, a, b):
    return a * np.log(x) + b

# 数据点
xdata = np.linspace(1, 10, 50)
ydata = 2.5 * np.log(xdata) + 1.0 + 0.5 * np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(logarithmic_func, xdata, ydata)
yfit = logarithmic_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'b-', label='Data')
plt.plot(xdata, yfit, 'r-', label='Fit: a=%.3f, b=%.3f' % tuple(popt))
plt.legend()
plt.show()

2.1.5 幂函数拟合
from scipy.optimize import curve_fit
import numpy as np
import matplotlib.pyplot as plt

# 幂函数拟合函数
def power_func(x, a, b):
    return a * x**b

# 数据点
xdata = np.linspace(1, 10, 50)
ydata = 2.5 * xdata**1.5 + 0.5 * np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(power_func, xdata, ydata)
yfit = power_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'b-', label='Data')
plt.plot(xdata, yfit, 'r-', label='Fit: a=%.3f, b=%.3f' % tuple(popt))
plt.legend()
plt.show()

3. 拟合的应用场景

拟合在许多实际问题中都有广泛的应用，例如：

3.1 数据预测

在时间序列分析中，拟合常用于预测未来的数据点。例如，线性回归模型可以用于预测股票价格、温度变化等。

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

# 线性拟合函数
def linear_func(x, a, b):
    return a * x + b

# 数据点
xdata = np.linspace(0, 10, 10)
ydata = 2.5 * xdata + 1.0 + np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(linear_func, xdata, ydata)
yfit = linear_func(xdata, *popt)

# 预测未来的数据点
x_predict = np.linspace(10, 15, 5)
y_predict = linear_func(x_predict, *popt)

# 绘图
plt.plot(xdata, ydata, 'o', label='Data')
plt.plot(xdata, yfit, '-', label='Linear Fit')
plt.plot(x_predict, y_predict, 'x', label='Prediction')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

3.2 数据建模

在机器学习中，拟合用于构建回归模型，以揭示数据之间的关系。常见的回归模型包括线性回归、逻辑回归和多项式回归。

import numpy as np
import matplotlib.pyplot as plt

# 数据点
xdata = np.linspace(0, 10, 10)
ydata = 2.5 * xdata**2 + 1.0 + np.random.normal(size=len(xdata))

# 多项式拟合
p = np.polyfit(xdata, ydata, 2)
yfit = np.polyval(p, xdata)

# 绘图
plt.plot(xdata, ydata, 'o', label='Data')
plt.plot(xdata, yfit, '-', label='Polynomial Fit')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

3.3 物理实验数据分析

在物理实验中，拟合用于分析实验数据，提取物理参数。例如，通过拟合实验数据，可以确定材料的弹性模量、热导率等物理参数。

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

# 指数拟合函数
def exponential_func(x, a, b):
    return a * np.exp(b * x)

# 实验数据点
xdata = np.linspace(0, 4, 10)
ydata = 2.5 * np.exp(1.3 * xdata) + np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(exponential_func, xdata, ydata)
yfit = exponential_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'o', label='Data')
plt.plot(xdata, yfit, '-', label='Exponential Fit')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

3.4 工程设计

在工程设计中，拟合用于优化设计参数。例如，在机械设计中，通过拟合实验数据，可以优化零件的尺寸和材料选择。

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

# 幂函数拟合函数
def power_func(x, a, b):
    return a * x**b

# 实验数据点
xdata = np.linspace(1, 10, 10)
ydata = 2.5 * xdata**1.5 + np.random.normal(size=len(xdata))

# 拟合
popt, pcov = curve_fit(power_func, xdata, ydata)
yfit = power_func(xdata, *popt)

# 绘图
plt.plot(xdata, ydata, 'o', label='Data')
plt.plot(xdata, yfit, '-', label='Power Fit')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

4. 实例分析

为了更好地理解拟合方法，我们来看几个具体的实例分析。

实例1：股票价格预测

通过拟合历史股票价格数据，可以预测未来的股票价格。

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

# 线性拟合函数
def linear_func(x, a, b):
    return a * x + b

# 历史股票价格数据
days = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
prices = np.array([10, 11, 13, 14, 15, 18, 19, 21, 22, 24])

# 拟合
popt, pcov = curve_fit(linear_func, days, prices)
predicted_prices = linear_func(days, *popt)

# 绘图
plt.plot(days, prices, 'o', label='Historical data')
plt.plot(days, predicted_prices, '-', label='Predicted data')
plt.xlabel('Days')
plt.ylabel('Prices')
plt.legend()
plt.show()

实例2：温度变化分析

通过拟合温度数据，可以分析温度变化的趋势。

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

# 指数拟合函数
def exponential_func(x, a, b):
    return a * np.exp(b * x)

# 温度数据
days = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
temperatures = np.array([15, 17, 20, 22, 24, 28, 30, 32, 35, 37])

# 拟合
popt, pcov = curve_fit(exponential_func, days, temperatures)
predicted_temperatures = exponential_func(days, *popt)

# 绘图
plt.plot(days, temperatures, 'o', label='Historical data')
plt.plot(days, predicted_temperatures, '-', label='Predicted data')
plt.xlabel('Days')
plt.ylabel('Temperatures')
plt.legend()
plt.show()

总结 

插值与拟合的基本原理、常用方法及其Python实现，涵盖了拉格朗日插值、牛顿插值、样条插值等插值方法，以及线性拟合、多项式拟合、指数拟合、对数拟合和幂函数拟合等拟合方法，并通过具体的代码实例展示了插值与拟合在数据平滑、图像处理、数值模拟、数据预测、数据建模、物理实验数据分析和工程设计中的实际应用。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1957315.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

如何让网站实现https访问

如何让网站实现https访问

要让网站实现HTTPS访问，主要需要完成以下几个步骤。这些步骤确保了网站与用户之间的数据传输安全，并提升了用户对网站的信任度。 1. 确定证书类型 首先，根据网站的需求和预算，选择合适的SSL证书类型。常见的SSL证书类型包括&…
阅读更多...
黑马头条Day11- 实时计算热点文章、KafkaStream

黑马头条Day11- 实时计算热点文章、KafkaStream

一、今日内容 1. 定时计算与实时计算 2. 今日内容 KafkaStream 什么是流式计算KafkaStream概述KafkaStream入门案例SpringBoot集成KafkaStream 实时计算 用户行为发送消息KafkaStream聚合处理消息更新文章行为数量替换热点文章数据 二、实时流式计算 1. 概念 一般流式计…
阅读更多...
Skim通过Apple Script为选中文本添加特定颜色的高亮

Skim通过Apple Script为选中文本添加特定颜色的高亮

一、代码编写 Skim的Apple Script维基页面 使用Mac的Script Editor编写以下代码： tell application "Skim"activatetell document 1set theSel to (get selection)set theNote to make note with data theSel with properties {type:highlight note, co…
阅读更多...
Swift学习入门，新手小白看过来

Swift学习入门，新手小白看过来

😄作者简介： 小曾同学.com,一个致力于测试开发的博主⛽️，主要职责：测试开发、CI/CD 如果文章知识点有错误的地方，还请大家指正，让我们一起学习，一起进步。 😊 座右铭：不…
阅读更多...
零代码拖拽，轻松搞定GIS场景编辑

零代码拖拽，轻松搞定GIS场景编辑

在三维GIS领域，编辑场景和处理影像数据通常是一个复杂且费时的过程，但现在有了山海鲸可视化，这一切都变得简单有趣。这款免费可视化工具为您提供了零代码拖拽式编辑的体验，让您无需编程知识就能轻松创建和优化GIS场景。通过直观的…
阅读更多...
STM32——GPIO（点亮LEDLED闪烁）

STM32——GPIO（点亮LEDLED闪烁）

一、什么是GPIO？ GPIO（通用输入输出接口）： 1.GPIO 功能概述 GPIO 是通用输入/输出（General Purpose I/O）的简称，既能当输入口使用，又能当输出口使用。端口，就是元器件…
阅读更多...
记一次因为在html两个地方引入vue.js导致组件注入失败的问题

记一次因为在html两个地方引入vue.js导致组件注入失败的问题

这个问题我遇到两次了，是在恼火，不对，三次了，我如果不做这个笔记，我确定我还会遇到第三次。 尾部这个去掉就行 因为头部有了 遇到这种bu g好恼火，解决了又怎么样呢？重蹈覆辙的滋味不好受
阅读更多...
Python技能达到这个水平，高薪就业不是梦

Python技能达到这个水平，高薪就业不是梦

一，高薪就业的必备基础 要达到高薪就业的水平，Python开发者通常需要具备以下几方面的技能和经验： 如需Python籽料直接戳： 2024年最新python教程全套，学完即可进大厂！（附全套视频 下载&#xf…
阅读更多...
#IO进程 笔记一

#IO进程 笔记一

标准IO 文件IO 文件属性获取 目录操作 库 进程: process 线程(thread)、同步、互斥、条件变量 进程间通信: 6种(一共7种) 无名管道(pipe)、有名管道(fifo)、信号(sginal)、信号灯集(semphore)、 共享内存(shared memory)、消息队列(message queue) 标准IO 1. 概念 标准IO&…
阅读更多...
详细分析示波器导至U盘的数据（Excel表格）示波器具体名称分析

详细分析示波器导至U盘的数据（Excel表格）示波器具体名称分析

一般由示波器导入U盘的csv文件（即Excel表格数据）的图如下图所示： 下面小编就对上表格的各个数据表示进行逐一解释 1、Memory Length：4000 在示波器（Oscilloscope）中，“Memory Length”&#x…
阅读更多...
【算法】代码随想录之字符串（更新中）

【算法】代码随想录之字符串（更新中）

文章目录 前言 一、反转字符串（LeetCode--344） 二、反转字符串II（LeetCode--541） 三、反转字符串中的单词（LeetCode--151） 前言 跟随代码随想录，学习字符串相关的算法题目，记录…
阅读更多...
20240730 每日AI必读资讯

20240730 每日AI必读资讯

🎬燃爆！奥运8分钟AI影片火了，巴赫主席：感谢中国黑科技 - 短片名为《永不失色的她》（To the Greatness of HER），由阿里巴巴和国际奥委会联合推出。 - 百年奥运史上伟大女性的影响故事在此被浓缩…
阅读更多...
VBA技术资料MF183：将图片导入word并调整大小

VBA技术资料MF183：将图片导入word并调整大小

我给VBA的定义：VBA是个人小型自动化处理的有效工具。利用好了，可以大大提高自己的工作效率，而且可以提高数据的准确度。“VBA语言専攻”提供的教程一共九套，分为初级、中级、高级三大部分，教程是对VBA的系统讲解&#…
阅读更多...
人生最大的毛病，就是一个“ 傲 ”字

人生最大的毛病，就是一个“ 傲 ”字

99天 傲慢之害，人要勤勉恭敬 51.27 先生说：人生最大的毛病，就是一个“ 傲 ”字。 当今人们的问题，主要就是“ 傲 ”。千罪百恶，都从傲而来。一个人要是傲，就会自高自大、自以为是，不肯屈于人下…
阅读更多...
cf960（div2）

cf960（div2）

A. Submission Bait（博弈） 题意：爱丽丝和鲍勃在大小为n的数组a中进行游戏，他们轮流进行运算，爱丽丝先开始，不能运算的一方输，一开始mx0，每次操作，玩家可以选择一个牵引i…
阅读更多...
pikachu靶场之目录遍历、敏感信息泄露

pikachu靶场之目录遍历、敏感信息泄露

一、目录遍历 漏洞概述 在web功能设计中,很多时候我们会要将需要访问的文件定义成变量，从而让前端的功能便的更加灵活。 当用户发起一个前端的请求时，便会将请求的这个文件的值(比如文件名称)传递到后台，后台再执行其对应的文件。 在这个过…
阅读更多...
汽车辐射大？技术来救它：整车辐射抗扰发射天线仿真建模及性能预测

汽车辐射大？技术来救它：整车辐射抗扰发射天线仿真建模及性能预测

摘要 针对车辆电磁辐射抗扰度测试条件要求高、预测难度大的问题，通过仿真软件建立电磁抗扰度测试发射天线（简称抗扰发射天线）模型及无车情况下的电磁抗扰试验场强环境，为整车电磁辐射抗扰性能的预测搭建了一个仿真平台。 验证试验…
阅读更多...
第5章Excel数据分析之数据透视表遇见SQL

第5章Excel数据分析之数据透视表遇见SQL

文章目录 第5章 数据透视表遇见SQL5-1如何在查询中使用SQL语句？5-2SQL查询语句（数据透视表的辅助列）5-3SQL常用运算符（案例：添加分析维度）5-4SQL筛选语句（数据透视表数据源的过滤）5-…
阅读更多...
【单片机毕业设计选题24085】-基于STM32的心电采集系统设计

【单片机毕业设计选题24085】-基于STM32的心电采集系统设计

系统功能: 系统上电后，OLED显示“欢迎使用心电采集系统请稍后”两秒后进入正常页面显示。 第一行显示心率和血氧值。 第二行显示心率设定高值。 第三行显示心率设定低值。 第四行显示心率状态，"Rate OK", "Rate High", "R…
阅读更多...
C++中的依赖注入

C++中的依赖注入

目录 1.概述 2.构造函数注入 3.setter方法注入 4.接口注入 5.依赖注入框架 6.依赖注入容器 7.依赖注入框架的工作原理 8.依赖注入的优势 9.总结 1.概述 依赖注入是一种设计模式，它允许我们在不直接创建对象的情况下为对象提供其依赖项；它通过将…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023