问题描述
我正在尝试对熊猫数据框表示的某些数据拟合指数曲线。数据如下：
我用于曲线拟合的代码：
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
from scipy.optimize import curve_fit
t = df['time'].values
ym = df['value'].values
def func(t,c0,c1,c2,c3):
return c0 + c1*t - c2*np.exp(-c3*t)
p0 = [6e6,0.01,100,0.01]
c,cov = curve_fit(func,t,ym,p0)
print(c) # Output: [-5.46019366e+06 3.19567938e+03 1.00000000e+08 1.00000000e+06]
yp = func(t,c[0],c[1],c[2],c[3])
plt.figure()
plt.plot(t/60,ym)
plt.plot(t/60,yp)
但是，拟合曲线总是看起来像这样的线性：
我尝试了在线找到的不同方法，并且总是得到相同的线性结果。我的数据框如下所示：Cycle_id对应于“时间”，峰值对应于“值”：
任何有关如何拟合此数据的建议都将受到赞赏，因为在检查代码后似乎无法在代码中发现任何错误，因此无法进一步解决。
解决方法
很抱歉答案很差。我对Python的实际使用了解不足。此外，不可能从图片中获得足够正确的数据。扫描提供了以下演算中使用的数据，但结果可能不准确。
我想您面临的困难来自微积分方法，该方法是从参数的“猜测”值开始迭代的。
如果我们使用不需要初始猜测值的非迭代方法，则演算通常会更健壮。本文介绍了这种方法：https://fr.scribd.com/doc/14674814/Regressions-et-equations-integrales
在本文中，它们是许多数字示例，但不幸的是，您的函数未得到详细介绍。使方法适应这种情况并不困难：请参见下文。结果是：
在更经典的方法中，可以将上述p，a，b，c值用作参数的初始值。
信息：
非迭代回归方法使用方便的积分方程，将非线性回归转换为线性回归。在当前情况下，积分方程为：
