Linéaire de montage en python, avec l'incertitude dans les deux coordonnées x et y

Salut, je voudrais demander à mes collègues python les utilisateurs de la façon dont ils s'acquittent de leurs linéaire de montage.

J'ai été à la recherche pour les deux dernières semaines sur les méthodes et les bibliothèques pour effectuer cette tâche et je voudrais partager mon expérience:

Si vous souhaitez effectuer un linéaire de montage basé sur la méthode des moindres carrés, vous avez beaucoup d'options. Par exemple, vous pouvez trouver des cours dans les deux numpy et scipy. Moi j'ai opté par l'un présenté par linfit (qui suit le design de la linfit fonction IDL):

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

Cette méthode suppose que vous êtes l'introduction de la sigmas dans votre axe des y. les coordonnées pour s'adapter à vos données.

Toutefois, si vous avez de quantifier l'incertitude dans les deux axes x et y, il n'y a pas beaucoup d'options. (Il n'est pas IDL "Fitexy" équivalent dans les principaux python scientifique des bibliothèques). Jusqu'à présent j'ai trouvé que le "kmpfit" bibliothèque pour effectuer cette tâche. Heureusement, il a un site très complet décrivant l'ensemble de ses fonctionnalités:

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

Si quelqu'un connaît d'autres moyens de je serais ravi de les connaître.

En tout cas j'espère que cette aide.

OriginalL'auteur Delosari | 2014-03-26

  1. 19

    Orthogonale de la distance de régression dans Scipy vous permet de faire des non-linéaire de montage à l'aide des erreurs dans les deux x et y.

    Indiqué ci-dessous un exemple simple est basé sur l'exemple donné sur le scipy page. Il tente de s'adapter à une fonction quadratique de certaines données d'essais randomisées.

    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()

    Linéaire de montage en python, avec l'incertitude dans les deux coordonnées x et y

    Merci c'est très utile, je ne sais pas à propos de cette ODR méthode.
    C'est le problème que l'on prend uniquement en charge par rapport sigma que j'ai testé jusqu'à présent. Donc les erreurs que vous obtenez de l'ajustement ne sont pas vraiment en le couvrant de tous.

    OriginalL'auteur Ffisegydd

  2. 7

    Vous pouvez utiliser le vecteur propre de la matrice de covariance associée à la plus grande valeur propre d'effectuer linéaire de 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()

    Linéaire de montage en python, avec l'incertitude dans les deux coordonnées x et y

    Merci c'est très intéressant

    OriginalL'auteur Ondro