datetime的curve_fit时exp溢出答案

【问题标题】：Overflow in exp when curve_fit of datetimedatetime的curve_fit时exp溢出
【发布时间】：2020-06-03 05:44:21
【问题描述】：

我尝试使用curve_fit 拟合日期时间与浮点数据。据我了解，curve_fit 不适用于日期时间，因此我首先必须将数据转换为数值。这给了我非常大的 x 值，导致 exp 函数溢出。我的代码如下。如果我拟合多项式而不是指数，则相同的代码确实有效。

    def func(x, a):
        return (np.exp(a*x))

    def fit_exponential(gd):
        gdtemp['Date'] = pd.to_datetime(gdtemp.Date)

        mask = (gdtemp['Date'] > '2020-01-30') & (gdtemp['Date'] <= '2020-03-20')

        gdtemp = gdtemp.loc[mask].copy()

        x = pd.to_numeric(gdtemp.Date)
        y=gdtemp['Confirmed']

        popt, pcov = curve_fit(func,x, y)

如何修改代码以使用指数？

我对如何解决此问题有两个想法，但不确定如何实施：

第一个想法：不要用 to_numeric 转换，而是用其他产生较小数字的方式。我的输入数据相当简单，每天只包含 1 行，所以我不需要时间或其他任何东西。是否有另一个类似于 to_numeric() 的函数忽略时间部分并产生更小的数字？

第二个想法：将数字日期值除以某个大数，然后再相乘。我应该使用什么数字来划分？

【问题讨论】：

标签： python pandas overflow curve-fitting exponential

【解决方案1】：

我通过将大数值 x 值映射到区间 [0;1] 并拟合该区间来解决了这个问题。

主要的修改是：

small_x = (x - x.min()) / (x.max() - x.min())
popt, pcov = curve_fit(func4 ,small_x, y )

指数中的值现在是合理的（在我的情况下大约为 1）并且溢出没有问题。

如果没有这个映射，我最终会得到非常大的 x 值（大约 10^(15)）和非常小的 a 值（大约 10^(-15)），这显然是 fititng 函数所做的不喜欢。

【讨论】：