Sto provando a tracciare alcune visualizzazioni con matplotlib, e in una delle mie funzioni, controllo se le onde sono logaritmiche. Questa è la mia attuale versione di lavoro:Alternativa a scipy.optimize.curve_fit
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
Sto cercando di trovare un'alternativa alla SciPy di curve_fit()
, perché non voglio installare una grande biblioteca quali solo per usare che una funzione. C'è qualcos'altro che posso usare, o una combinazione di altre funzioni dall'uso idealmente solo di numpy e matplotlib, per ottenere un risultato simile?
Bene, 'curve_fit' utilizza l'algoritmo [Levenberg-Marquardt] (https://en.wikipedia.org/wiki/Levenberg%E2%80%93Marquardt_algorithm) per ridurre al minimo gli errori. Puoi sempre implementarlo da solo. – hitzg
A meno che non si stia lavorando con sistemi embedded, '46 MB' (installato su linux) per scipy non è molto. Matplotlib è '72 MB' in confronto. – rth