Lineare Einbau in python mit Unsicherheiten in x-und y-Koordinaten

Hallo, ich würde gerne die Frage an meine Kollegen für python-Anwender, wie Sie Ihre lineare Befestigung.

Habe ich die Suche für die letzten zwei Wochen auf Methoden/Bibliotheken zum ausführen dieser Aufgabe, und ich möchte, um meine Erfahrung zu teilen:

Wenn Sie möchten, führen Sie eine lineare fitting basiert auf der least-squares-Methode Sie haben viele Optionen. Zum Beispiel finden Sie Klassen in beiden numpy und scipy. Mich selbst habe ich entschieden, die von der einen präsentiert von linfit (was folgt dem design der linfit Funktion in IDL):

http://nbviewer.ipython.org/github/djpine/linfit/blob/master/linfit.ipynb

Diese Methode setzt Voraus, Sie sind die Einführung des sigmas in Ihrem y-Achsen-Koordinaten passen Ihre Daten.

Allerdings, wenn Sie quantifiziert die Unsicherheit in x-und y-Achsen gibt es nicht so viele Optionen. (Es ist nicht IDL "Fitexy" entspricht in der Haupt-python-wissenschaftliche Bibliotheken). So weit ich gefunden habe, nur die "kmpfit" - Bibliothek, um diese Aufgabe durchzuführen. Zum Glück hat es eine sehr komplette website beschreiben Sie alle Ihre Funktionalität:

https://github.com/josephmeiring/kmpfit
http://www.astro.rug.nl/software/kapteyn/kmpfittutorial.html#

Wenn jemand weiß, zusätzliche Ansätze, ich würde gerne wissen Sie auch.

In jedem Fall, ich hoffe, das hilft.

InformationsquelleAutor Delosari | 2014-03-26

linear python

Orthogonal distance regression in Scipy können Sie zu einer nicht-linearen Montage mit Fehler in beiden x und y.

Unten gezeigt ist ein einfaches Beispiel, basierend auf dem Beispiel auf der scipy-Seite. Er versucht zu passen mit quadratischer Funktion zu einigen randomisierten Daten.

import numpy as np
import matplotlib.pyplot as plt
from scipy.odr import *

import random

# Initiate some data, giving some randomness using random.random().
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([i**2 + random.random() for i in x])

x_err = np.array([random.random() for i in x])
y_err = np.array([random.random() for i in x])

# Define a function (quadratic in our case) to fit the data with.
def quad_func(p, x):
     m, c = p
     return m*x**2 + c

# Create a model for fitting.
quad_model = Model(quad_func)

# Create a RealData object using our initiated data from above.
data = RealData(x, y, sx=x_err, sy=y_err)

# Set up ODR with the model and data.
odr = ODR(data, quad_model, beta0=[0., 1.])

# Run the regression.
out = odr.run()

# Use the in-built pprint method to give us results.
out.pprint()
'''Beta: [ 1.01781493  0.48498006]
Beta Std Error: [ 0.00390799  0.03660941]
Beta Covariance: [[ 0.00241322 -0.01420883]
 [-0.01420883  0.21177597]]
Residual Variance: 0.00632861634898189
Inverse Condition #: 0.4195196193536024
Reason(s) for Halting:
  Sum of squares convergence'''

x_fit = np.linspace(x[0], x[-1], 1000)
y_fit = quad_func(out.beta, x_fit)

plt.errorbar(x, y, xerr=x_err, yerr=y_err, linestyle='None', marker='x')
plt.plot(x_fit, y_fit)

plt.show()

Lineare Einbau in python mit Unsicherheiten in x-und y-Koordinaten

Danke das ist sehr nützlich, ich wusste nicht, über diese OS-Methode.
Dieser hat das problem, das unterstützt nur relative sigmas als ich habe bisher getestet. Also der Fehler aus dem fit nicht wirklich deckt es alle.

InformationsquelleAutor Ffisegydd

Können Sie verwenden Eigenvektor der Kovarianzmatrix im Zusammenhang mit dem größten Eigenwert zum durchführen der linearen Montage.

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(6, dtype=float)
y = 3*x + 2
x += np.random.randn(6)/10
y += np.random.randn(6)/10

xm = x.mean()
ym = y.mean()

C = np.cov([x-xm,y-ym])
evals,evecs = np.linalg.eig(C)

a = evecs[1,evals.argmax()]/evecs[0,evals.argmax()]
b = ym-a*xm

xx=np.linspace(0,5,100)
yy=a*xx+b

plt.plot(x,y,'ro',xx,yy)
plt.show()