Die Funktionen numpy und scipy zum Anpassen eines Polynoms enthalten nicht die Option, die Eingabe automatisch zu skalieren, wie es die Matlab-Funktion tut.
Zunächst ist hier, wie Sie Ihre Daten ohne die Skalierung passen:
In [39]: x_cord = [58.2986, 39.5842, 23.0044, 10.9427, 3.0465]
In [40]: y_cord = [0.9600, 0.9700, 0.9800, 0.9900, 1.0000]
In [41]: c = np.polyfit(x_cord, y_cord, 3)
In [42]: c
Out[42]:
array([ -1.91755884e-07, 2.43049234e-05, -1.52570960e-03,
1.00431483e+00])
In [43]: p = np.poly1d(c)
In [44]: p(16.574651718139650)
Out[44]: 0.98483061114799408
In [45]: xx = np.linspace(0, 60, 500)
In [46]: plot(xx, p(xx))
Out[46]: [<matplotlib.lines.Line2D at 0x110c8d0f0>]
In [47]: plot(x_cord, y_cord, 'o')
Out[47]: [<matplotlib.lines.Line2D at 0x10d6f8390>]
Die numpy Berechnung agrees with Wolfram Alpha.
So können Sie der tatsächlichen Matlab-Berechnung ziemlich nahe kommen.
Konvertieren Sie aus praktischen Gründen x_cord
aus einer Liste in ein numpy Array.
Berechnen Sie die mittlere und Standardabweichung von x_cord
.
In [65]: mu = np.mean(x_cord)
In [66]: std = np.std(x_cord, ddof=1)
Anruf np.polyfit()
, die verschobene und skalierte Version von x_cord
verwenden.
In [67]: cscaled = np.polyfit((x_cord - mu)/std, y_cord, 3)
Diese Werte sind ziemlich nah an den Array p
im Kommentar im Code Matlab gezeigt.
In [68]: cscaled
Out[68]: array([-0.00212068, 0.00436168, -0.01410409, 0.97708027])
erstellen poly1d
Objekt, das aufgerufen werden kann.
In [69]: pscaled = np.poly1d(cscaled)
Eingänge zu pscaled
muß verschoben werden und skaliert mu
und std
verwenden.
In [70]: pscaled((16.574651718139650 - mu)/std)
Out[70]: 0.98483061114799486
Vielen Dank für eine so detaillierte Antwort. Das hat mir sehr geholfen. – Vants