Проблемы с аппроксимацией средствами SciPy

5065584

Есть текстовый файл, в котором числа в три колонки, разделенные табуляцией, вот так:

0.00    0.0020  1.4523

0.04    0.0038  1.6296

0.08    0.0069  1.7824

0.12    0.0122  1.9002

0.16    0.0212  1.9746

0.20    0.0359  2.0000

0.24    0.0591  1.9746

0.28    0.0949  1.9002

И есть код на Питоне, который аппроксимирует 2 и 3 колонки суммой двух гауссовых кривых, используя библиотеки NumPy и SciPy:

#! /usr/bin/python

#-*- coding: utf-8 -*-

import sys

from scipy import *

from scipy.optimize import leastsq

import numpy, locale



def gauss(x,p):

        a1,s1,c1,a2,s2,c2=p

        result=a1*exp(-s1*x-c1)**2+a2*exp(-s2*x-c2)**2

        return result



def residue(p,y,x):

        return (y-gauss(x,p



data = numpy.loadtxt('2gauss.dat',delimiter='\t')

print("a1\ts1\tc1\ta2\ts2\tc2")

for i in xrange(1,3):

        x=data[0:99,0]

        y=data[0:99,i]

        p=[1,1,0,1,1,1]

        pi=array(p)

        po=leastsq(residue,pi,args=(y,xmaxfev=100000)

        print("{0:.3f}\t{1:.3f}\t{2:.3f}\t{3:.3f}\t{4:.3f}\t{5:.3f}".format(po[0][0],po[0][1],po[0][2],po[0][3],po[0][4],po[0][5]

 

Когда он запускается, он выдает сообщение об ошибке

./approximation.py:12: RuntimeWarning: invalid value encountered in add

  result=a1*exp(-s1*x-c1)**2+a2*exp(-s2*x-c2)**2+a3*exp(-s3*x-c3)**2  

Кто-нибудь знает, что это такое и как с этим бороться?

Ushkvarok

RuntimeWarning: invalid value encountered in add

скорее всего в операции сложения попадает не числовой тип (или не тот числовой тип, который нужен)
а что-то другое, например None или string
не пиши такие длинные формулы, разбей на короткие выражения
и прогони отладчиком
Ваш К.О.

tucha96

учитывая, что в исходном коде a3 не встречается, а в сообщении об ошибке встречается, думаю, запускаешь не то
но я питон не знаю, может так и должно быть

Plok2008

Ещё одно соображение - если надо просто часть точек аппроксимировать, то не проще ли использовать scipy.curve_fit вместо leastsq. В результате ещё и погрешности аппроксимации в виде covariance matrix получишь.