在类中使用 scipy.optimize.curve_fit

Question

我有一个描述数学函数的类。该类需要能够以最小二乘法拟合自己以传入数据。即你可以调用这样的方法：

classinstance.Fit(x,y)

它会调整其内部变量以最适合数据。我正在尝试为此使用 scipy.optimize.curve_fit ，它需要我传入一个模型函数。问题是模型函数在类中，需要访问类的变量和成员来计算数据。但是，curve_fit 不能调用第一个参数为 self 的函数。有没有办法让curve_fit使用类的方法作为模型函数？

这是显示问题的最小可执行 sn-p：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# This is a class which encapsulates a gaussian and fits itself to data.
class GaussianComponent():
    # This is a formula string showing the exact code used to produce the gaussian.  I
    # It has to be printed for the user, and it can be used to compute values.
    Formula = 'self.Amp*np.exp(-((x-self.Center)**2/(self.FWHM**2*np.sqrt(2))))'

    # These parameters describe the gaussian.
    Center = 0
    Amp = 1
    FWHM = 1

    # HERE IS THE CONUNDRUM: IF I LEAVE SELF IN THE DECLARATION, CURVE_FIT
    # CANNOT CALL IT SINCE IT REQUIRES THE WRONG NUMBER OF PARAMETERS.
    # IF I REMOVE IT, FITFUNC CAN'T ACCESS THE CLASS VARIABLES.
    def FitFunc(self, x, y, Center, Amp, FWHM):
        eval('y - ' + self.Formula.replace('self.', ''))

    # This uses curve_fit to adjust the gaussian parameters to best match the
    # data passed in.
    def Fit(self, x, y):
        #FitFunc = lambda x, y, Center, Amp, FWHM: eval('y - ' + self.Formula.replace('self.', ''))
        FitParams, FitCov = curve_fit(self.FitFunc, x, y, (self.Center, self.Amp, self.FWHM))
        self.Center = FitParams[0]
        self.Amp = FitParams[1]
        self.FWHM = FitParams[2]

    # Give back a vector which describes what this gaussian looks like.
    def GetPlot(self, x):
        y = eval(self.Formula)
        return y

# Make a gausssian with default shape and position (height 1 at the origin, FWHM 1.
g = GaussianComponent()

# Make a space in which we can plot the gaussian.
x = np.linspace(-5,5,100)
y = g.GetPlot(x)

# Make some "experimental data" which is just the default shape, noisy, and
# moved up the y axis a tad so the best fit will be different.
ynoise = y + np.random.normal(loc=0.1, scale=0.1, size=len(x))

# Draw it
plt.plot(x,y, x,ynoise)
plt.show()

# Do the fit (but this doesn't work...)
g.Fit(x,y)

这会产生以下图表，然后由于模型函数在尝试拟合时不正确而崩溃。

提前致谢！

Answer 1

我花了一些时间查看您的代码，不幸的是迟到了 2 分钟。总之，为了让事情更有趣，我对你的课程进行了一些编辑，这是我编造的：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

class GaussianComponent():

    def __init__(self, func, params=None):
        self.formula = func
        self.params = params

    def eval(self, x):
        allowed_locals = {key: self.params[key] for key in self.params}
        allowed_locals["x"] = x
        allowed_globals = {"np":np}
        return eval(self.formula, allowed_globals, allowed_locals)

    def Fit(self, x, y):
        FitParams, FitCov = curve_fit(self.eval, x, y, self.params)
        self.fitparams = fitParams


# Make a gausssian with default shape and position (height 1 at the origin, FWHM 1.
g = GaussianComponent("Amp*np.exp(-((x-Center)**2/(FWHM**2*np.sqrt(2))))", 
                      params={"Amp":1, "Center":0, "FWHM":1})

**SNIPPED FOR BREVITY**

我相信您可能会发现这是一个更令人满意的解决方案？

目前你所有的高斯参数都是类属性，这意味着如果你尝试用不同的参数值创建你的类的第二个实例，你也会改变第一个类的值。通过将所有参数推送为实例属性，您可以摆脱它。这就是为什么我们首先要上课。

您对self 的问题源于您在Formula 中写入self 的事实。现在你不必再这样做了。我认为这样更有意义，因为当您实例化类的对象时，您可以根据需要向声明的函数添加尽可能多或尽可能少的参数。它现在甚至不必是高斯的（与以前不同）。

就像curve_fit 所做的那样，将所有参数扔到字典中，然后忘记它们。

通过明确说明 eval 可以使用什么，您可以帮助确保任何作恶者都难以破解您的代码。尽管如此，它仍然是可能的，它总是与eval。

祝你好运，请问您是否需要澄清一些事情。

Answer 2

啊！这实际上是我的代码中的一个错误。如果我改变这一行：

def FitFunc(self, x, y, Center, Amp, FWHM):

到

def FitFunc(self, x, Center, Amp, FWHM):

那我们就没事了。所以 curve_fit 确实正确处理了 self 参数，但我的模型函数不应该包含 y。

（尴尬！）