Python-Predicting 在给定数据集的情况下推断未来数据

概述我是Python的新手.我有一个数据集,我正在尝试使用numPy / sciPy来预测/推断未来的数据点.是否有一种简单的方法来提出适合我当前数据的数学函数(比如,正弦函数),然后我可以将新值传递给该函数以获得我的预测？这就是我所拥有的,但我不认为它正在做我想要的：import numpy as np from scipy.optimize import c

我是Python的新手.我有一个数据集,我正在尝试使用numPy / sciPy来预测/推断未来的数据点.是否有一种简单的方法来提出适合我当前数据的数学函数(比如,正弦函数),然后我可以将新值传递给该函数以获得我的预测？

这就是我所拥有的,但我不认为它正在做我想要的：

import numpy as npfrom scipy.optimize import curve_fitimport matplotlib.pyplot as pltdef main():    y = [8.3,8.3,7.2,7.8,9.4,10.6,10.0,11.1,12.8,11.7,8.9,6.7,13.3,15.0,15.6,6.0,6.1,12.2,14.4,16.7,8.0,13.9,9.0,12.0,13.0,11.0,5.6,8.3]        x = np.array(np.arange(len(y)))            fitting_parameters,covariance = curve_fit(fit,x,y)    a = fitting_parameters[0]    b = fitting_parameters[1]    c = fitting_parameters[2]    d = fitting_parameters[3]    for x_predict in range(len(y) + 1,len(y) + 24):        next_x = x_predict        next_y = fit(next_x,a,b,c,d)        print("next_x: " + str(next_x))        print("next_y: " + str(next_y))        y.append(next_y)    plt.plot(y)    plt.show()def fit(x,d):    return a*np.sin(b*x + c) + d

我尝试使用curve_fit和univariatespline我的数据,但这只适合我当前的数据并分别平滑我的点数.我的观点是,这些工具只是“适合”我的数据,但实际上并没有给我一个我可以用来获得未来积分的功能.

我以为我可以使用离散傅里叶变换,因为我的数据是周期性的,看起来它可以被描述为正弦和余弦的总和.但是,一旦我从时域获得频域,我就会被困在如何“推断”以预测时域中的未来时段和点：

import numpy as npimport matplotlib.pyplot as pltmydata = [8.3,8.3] sp = np.fft.rfft(mydata)freq = np.fft.rfftfreq(len(mydata),d= 1.0)plt.subplot(211)plt.plot(mydata)plt.subplot(212)plt.plot(freq,sp,'r')plt.show()

我知道推断可能是危险的和不可靠的,但是为了这个项目的目的,我只是想获得一个可以绘制的工作预测函数.

非常感谢您的帮助.

最佳答案这是一种通过将周期性数据表示为傅立叶级数进行插值的方法.通过采用离散FFT获得傅立叶级数中使用的系数.

我不推荐这个 – 你可以在下面看到插值并不是人们直觉上认为非常好的 – 但是因为我在评论中已经提到它,所以我会跟进并显示一些代码:)

import numpy as npimport matplotlib.pyplot as pltimport scipy.fftpack as fftpackdef fft_inverse(Yhat,x):    """Based on https://stackoverflow.com/a/4452499/190597 (mtrw)"""    Yhat = np.asarray(Yhat)    x = np.asarray(x).reshape(-1,1)    N = len(Yhat)    k = np.arange(N)    total = Yhat * np.exp(1j * x * k * 2 * np.pi / N)    return np.real(total.sum(axis=1))/Nmydata = [8.3,8.3] Yhat = fftpack.fft(mydata)fig,ax = plt.subplots(nrows=2,sharex=True)xs = np.arange(len(mydata))ax[0].plot(xs,mydata)new_xs = np.linspace(xs.min(),xs.max(),len(mydata)*1.5)new_ys = fft_inverse(Yhat,new_xs)ax[1].plot(new_xs,new_ys)plt.xlim(xs.min(),xs.max())plt.show()

以下是如何使用scipy.optimize查找适合模型函数的参数,然后可以使用该函数在任意x坐标处进行插值.使用单一罪恶的拟合仍然非常可怕,但我将发布代码只是为了展示如何使用scipy.optimize无论如何：

import numpy as npimport matplotlib.pyplot as pltimport scipy.optimize as optimizemydata = np.array(    [8.3,8.3]) def fit(x,d):    return a*np.sin(b*x + c) + dxs = np.linspace(0,2*np.pi,len(mydata))guess = (mydata.ptp()/2,10,mydata.mean())fitting_parameters,covariance = optimize.curve_fit(fit,xs,mydata,p0=guess)a,d = fitting_parametersprint(a,d)fig,sharex=True)ax[0].plot(xs,len(mydata)*1.5)new_ys = fit(new_xs,d)ax[1].plot(new_xs,xs.max())plt.show()

您可以通过选择更好的模型功能(代替合适)来改善贴合度.选择什么是由您的问题领域的先验知识引导的创造力和直觉问题.更好的方法不仅取决于拟合的好坏,还取决于您希望模型的简单性或复杂性,以及/或应用于新数据集时的预测能力. 总结

以上是内存溢出为你收集整理的Python-Predicting /在给定数据集的情况下推断未来数据全部内容，希望文章能够帮你解决Python-Predicting /在给定数据集的情况下推断未来数据所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。