lz是化工专业，经常要处理数据，于是用python和copilot搓了一个拟合曲线的程序出来因为只是半吊子还希望有大佬能指点指点
使用方法:安装matplotlib等环境，在该py文件根目录创建txt文档，内容格式参考如下
实验标题:
x轴名称:
y轴名称:
x轴数据:
y轴数据:
(支持绘制单一曲线和多条曲线)
以下是py文件代码:
import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt
from matplotlib.backend_bases import MouseEvent
from matplotlib import rcParams
import re # 引入正则表达式模块
# 定义鼠标点击事件处理函数
def on_click(event: MouseEvent):
if event.inaxes: # 确保点击在图像区域内
x_click = event.xdata # 获取点击的 x 坐标
y_click = None
try:
# 使用最佳拟合模型的结果
x_fit, y_fit, label = best_fit
if min(x_fit) <= x_click <= max(x_fit): # 确保 x_click 在拟合曲线范围内
y_click = np.interp(x_click, x_fit, y_fit) # 插值计算 y 值
except Exception as e:
print(f"鼠标点击查询失败: {e}")
return
if y_click is not None:
print(f"点击坐标: x = {x_click:.4f}, y = {y_click:.4f}")
# 在图像上标记点击点
plt.scatter([x_click], [y_click], color='green', label=f'查询点: ({x_click:.4f}, {y_click:.4f})')
plt.legend()
plt.draw() # 更新图像
else:
print("点击的 x 坐标不在最佳拟合曲线范围内。")
# 输入 x，输出拟合曲线的 y 值
def query_y_from_x(x_input, fit_choice, x_data, y_data):
try:
x_fit, y_fit, label = perform_fitting(fit_choice, x_data, y_data)
if min(x_fit) <= x_input <= max(x_fit):
y_output = np.interp(x_input, x_fit, y_fit) # 插值计算 y 值
print(f"拟合模型: {label}")
print(f"输入 x = {x_input:.4f}, 输出 y = {y_output:.4f}")
else:
print("输入的 x 超出了拟合曲线的范围。")
except Exception as e:
print(f"查询失败: {e}")
# 输入 y，输出拟合曲线的 x 值
def query_x_from_y(y_input, fit_choice, x_data, y_data):
try:
x_fit, y_fit, label = perform_fitting(fit_choice, x_data, y_data)
# 查找 y_input 对应的 x 值
if min(y_fit) <= y_input <= max(y_fit):
x_output = np.interp(y_input, y_fit, x_fit) # 插值计算 x 值
print(f"拟合模型: {label}")
print(f"输入 y = {y_input:.4f}, 输出 x = {x_output:.4f}")
else:
print("输入的 y 超出了拟合曲线的范围。")
except Exception as e:
print(f"查询失败: {e}")
# 设置支持中文的字体
rcParams['font.sans-serif'] = ['SimHei']
rcParams['axes.unicode_minus'] = False
# 读取用户指定的 txt 文件
file_name = input("请输入数据文件的名称（包含扩展名，如 data.txt）：").strip()
# 从文件中读取数据
with open(file_name, 'r', encoding='utf-8') as file:
lines = file.readlines()
# 解析文件内容
plot_title = lines[0].split(':')[1].strip() # 实验标题
# 使用正则表达式提取 x 和 y 的标签
x_label_match = re.search(r':(.+)', lines[1])
x_label = x_label_match.group(1).strip() if x_label_match else "未知 x 轴"
# 初始化存储多组数据的列表
data_groups = []
current_group = {}
# 解析多组数据
for line in lines[2:]:
line = line.strip() # 去除行首和行尾的空格
if not line: # 跳过空行
continue
if line.startswith("y轴名称"):
if current_group: # 如果当前组有数据，保存到 data_groups
if "x_data" not in current_group or "y_data" not in current_group:
raise ValueError("数据组缺少 x轴数据 或 y轴数据，请检查文件格式。")
data_groups.append(current_group)
current_group = {"y_label": line.split(':')[1].strip()}
elif line.startswith("x轴数据"):
current_group["x_data"] = np.array(list(map(float, line.split(':')[1].strip().split())))
elif line.startswith("y轴数据"):
current_group["y_data"] = np.array(list(map(float, line.split(':')[1].strip().split())))
else:
print(f"警告：无法识别的行格式：{line}，请检查文件内容。")
# 保存最后一组数据
if current_group:
if "x_data" not in current_group or "y_data" not in current_group:
raise ValueError("数据组缺少 x轴数据 或 y轴数据，请检查文件格式。")
data_groups.append(current_group)
if not data_groups:
raise ValueError("未找到有效的数据组，请检查文件格式。")
# 如果只有一组数据，直接处理
if len(data_groups) == 1:
group = data_groups[0]
x_data = group["x_data"]
y_data = group["y_data"]
y_label = group["y_label"]
# 提供选择方式选项
print("请选择操作模式：")
print("1. 用户选择拟合方式")
print("2. 计算机自动选择拟合方式")
mode_choice = input("请输入选项编号（1 或 2）：")
# 定义拟合模型
# 线性拟合
def linear_model(x, a, b):
return a * x + b
# 二次拟合
def quadratic_model(x, a, b, c):
return a * x**2 + b * x + c
# 指数拟合模型
def exponential_model(x, a, b):
return a * np.exp(b * x)
# 对数拟合模型
def logarithmic_model(x, a, b):
return a * np.log(b * x)
# 幂函数拟合模型
def power_model(x, a, b):
return a * x**b
# 傅里叶级数拟合
def fourier_model(x, *params):
n = len(params) // 2
a = params[:n]
b = params[n:]
result = a[0] + sum(a[i] * np.cos((i + 1) * x) + b[i] * np.sin((i + 1) * x) for i in range(n - 1))
return result
# 三角函数拟合模型（正弦形式）
def sine_model(x, a, b, c):
return a * np.sin(b * x + c)
# 高阶多项式拟合
def high_order_polynomial(x, *coeffs):
return sum(c * x**i for i, c in enumerate(coeffs))
# 拉普拉斯平滑拟合（示例：简单的平滑处理）
def laplace_smoothing(x, y, alpha=0.1):
smoothed_y = np.zeros_like(y)
smoothed_y[0] = y[0]
for i in range(1, len(y)):
smoothed_y[i] = alpha * y[i] + (1 - alpha) * smoothed_y[i - 1]
return smoothed_y
# 计算 R^2（决定系数）
def calculate_r2(y_true, y_pred):
ss_res = np.sum((y_true - y_pred) ** 2)
ss_tot = np.sum((y_true - np.mean(y_true)) ** 2)
return 1 - (ss_res / ss_tot)
# 封装拟合逻辑为模块
def perform_fitting(fit_choice, x_data, y_data):
"""
根据拟合选择进行拟合，并返回拟合结果。
参数:
fit_choice (str): 用户选择的拟合方式
x_data (array-like): 横坐标数据
y_data (array-like): 纵坐标数据
返回:
x_fit (array-like): 拟合曲线的横坐标
y_fit (array-like): 拟合曲线的纵坐标
label (str): 拟合曲线的标签
"""
if fit_choice == "1":
params, covariance = curve_fit(linear_model, x_data, y_data)
a, b = params
x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = linear_model(x_fit, a, b)
label = f'线性拟合: y = {a:.4f}x + {b:.4f}'
elif fit_choice == "2":
params, covariance = curve_fit(quadratic_model, x_data, y_data)
a, b, c = params
x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = quadratic_model(x_fit, a, b, c)
label = f'二次函数拟合: y = {a:.4f}x^2 + {b:.4f}x + {c:.4f}'
elif fit_choice == "3":
params, covariance = curve_fit(exponential_model, x_data, y_data)
a, b = params
x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = exponential_model(x_fit, a, b)
label = f'指数拟合: y = {a:.4f} * exp({b:.4f} * x)'
elif fit_choice == "4": # 对数拟合
params, covariance = curve_fit(logarithmic_model, x_data, y_data)
a, b = params
x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = logarithmic_model(x_fit, a, b)
label = f'对数拟合: y = {a:.4f} * log({b:.4f} * x)'
elif fit_choice == "5": # 幂函数拟合
params, covariance = curve_fit(power_model, x_data, y_data)
a, b = params
x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = power_model(x_fit, a, b)
label = f'幂函数拟合: y = {a:.4f} * x^{b:.4f}'
elif fit_choice == "6":
params, covariance = curve_fit(fourier_model, x_data, y_data, p0=[1] * 6)
x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = fourier_model(x_fit, *params)
label = "傅里叶级数拟合"
elif fit_choice == "7": # 三角函数拟合
params, covariance = curve_fit(sine_model, x_data, y_data, p0=[1, 1, 0])
a, b, c = params
x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = sine_model(x_fit, a, b, c)
label = f'三角函数拟合: y = {a:.4f} * sin({b:.4f} * x + {c:.4f})'
elif fit_choice == "8":
# 动态选择多项式阶数
degree = min(len(x_data) - 1, 5) # 阶数不能超过数据点数 - 1
params = np.polyfit(x_data, y_data, deg=degree)
poly = np.poly1d(params)
x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = poly(x_fit)
# 构造拟合函数的表达式
terms = [f"{coef:.4f}x^{i}" if i > 0 else f"{coef:.4f}"
for i, coef in enumerate(params[::-1])]
equation = " + ".join(terms).replace("x^1", "x")
label = f"高阶多项式拟合: y = {equation}"
elif fit_choice == "9": # 拉普拉斯平滑拟合
y_fit = laplace_smoothing(x_data, y_data)
x_fit = x_data # 平滑拟合不改变 x 数据
label = '拉普拉斯平滑拟合'
else:
raise ValueError("该拟合方法尚未实现或不支持。")
return x_fit, y_fit, label
# 用户选择拟合方式
if mode_choice == "1":
print("请选择拟合方式：")
print("1. 线性拟合 (y = ax + b)")
print("2. 二次拟合 (y = ax^2 + bx + c)")
print("3. 指数拟合 (y = a * exp(b * x))")
print("4. 对数拟合 (y = a * log(b * x))")
print("5. 幂函数拟合 (y = a * x^b)")
print("6. 傅里叶拟合")
print("7. 三角函数拟合 (y = a * sin(b * x + c))")
print("8. 高阶多项式拟合")
print("9. 拉普拉斯平滑拟合")
fit_choice = input("请输入拟合方式编号：")
# 绘制多条拟合曲线
plt.ion() # 开启交互模式
fig, ax = plt.subplots() # 创建绘图窗口
# 遍历每组数据并绘制拟合曲线
for i, group in enumerate(data_groups):
x_data = group["x_data"]
y_data = group["y_data"]
y_label = group["y_label"]
# 执行拟合
x_fit, y_fit, label = perform_fitting(fit_choice, x_data, y_data)
# 计算 R²
r2 = calculate_r2(y_data, np.interp(x_data, x_fit, y_fit))
print(f"数据组 {i + 1} - 拟合模型: {label}，R^2 = {r2:.4f}")
# 绘制数据点和拟合曲线
ax.scatter(x_data, y_data, label=f'数据组 {i + 1}: {y_label}', alpha=0.7)
ax.plot(x_fit, y_fit, label=f'拟合组 {i + 1}: {label} (R^2={r2:.4f})')
# 设置图例和标题
ax.set_xlabel(x_label)
ax.set_ylabel("y轴")
ax.set_title(plot_title)
ax.legend()
ax.grid()
plt.show(block=False) # 非阻塞显示图像
# 循环询问用户是否需要查询
while True:
print("\n查询选项：")
print("1. 输入 x 查询拟合曲线的 y 值")
print("2. 输入 y 查询拟合曲线的 x 值")
print("3. 退出查询")
query_choice = input("请输入选项编号（1, 2 或 3）：")
if query_choice in ["1", "2"]:
# 显示所有拟合曲线供用户选择
print("\n可用拟合曲线：")
for i, fit in enumerate(all_fits):
print(f"{i + 1}. {fit['label']} (R^2={fit['r2']:.4f})")
curve_choice = int(input("请选择拟合曲线编号：")) - 1
if 0 <= curve_choice < len(all_fits):
selected_fit = all_fits[curve_choice]
x_fit = selected_fit["x_fit"]
y_fit = selected_fit["y_fit"]
label = selected_fit["label"]
if query_choice == "1":
x_input = float(input("请输入 x 的值："))
if min(x_fit) <= x_input <= max(x_fit):
y_output = np.interp(x_input, x_fit, y_fit) # 插值计算 y 值
print(f"拟合模型: {label}")
print(f"输入 x = {x_input:.4f}, 输出 y = {y_output:.4f}")
else:
print("输入的 x 超出了拟合曲线的范围。")
elif query_choice == "2":
y_input = float(input("请输入 y 的值："))
if min(y_fit) <= y_input <= max(y_fit):
x_output = np.interp(y_input, y_fit, x_fit) # 插值计算 x 值
print(f"拟合模型: {label}")
print(f"输入 y = {y_input:.4f}, 输出 x = {x_output:.4f}")
else:
print("输入的 y 超出了拟合曲线的范围。")
else:
print("无效的曲线编号，请重新选择。")
elif query_choice == "3":
print("退出查询。")
break
else:
print("无效的选项，请重新输入。")
plt.ioff() # 关闭交互模式
plt.close(fig) # 关闭图像窗口
# 自动选择拟合方式
elif mode_choice == "2":
models_with_dashed_lines = ["1", "2", "5"] # 线性、二次、幂函数拟合
best_r2 = -np.inf
best_fit = None
all_fits = [] # 用于存储所有拟合曲线的结果
# 询问用户是否绘制虚线
draw_dashed_lines = input("是否绘制虚线表示其他拟合模型？(y/n)：").strip().lower() == "y"
plt.ion() # 开启交互模式
fig, ax = plt.subplots() # 创建绘图窗口
ax.scatter(x_data, y_data, label='数据', color='red') # 绘制原始数据
for fit_choice in models_with_dashed_lines + ["6", "7", "8", "9"]:
try:
x_fit, y_fit, label = perform_fitting(fit_choice, x_data, y_data)
r2 = calculate_r2(y_data, np.interp(x_data, x_fit, y_fit))
# 保存拟合结果
all_fits.append({"fit_choice": fit_choice, "x_fit": x_fit, "y_fit": y_fit, "label": label, "r2": r2})
# 更新最佳拟合模型
if r2 > best_r2:
best_r2 = r2
best_fit = (x_fit, y_fit, label)
# 根据用户选择决定是否绘制虚线
if draw_dashed_lines and fit_choice in models_with_dashed_lines:
ax.plot(x_fit, y_fit, linestyle='--', label=f'{label} (R^2={r2:.4f})', alpha=0.5)
except Exception as e:
print(f"拟合方式 {fit_choice} 出错: {e}")
continue
if best_fit:
x_fit, y_fit, label = best_fit
print(f"最佳拟合模型: {label}，R^2 = {best_r2:.4f}")
ax.plot(x_fit, y_fit, label=f'{label} (R^2={best_r2:.4f})', color='blue', linewidth=2)
else:
print("未找到合适的拟合模型。")
ax.set_xlabel(x_label)
ax.set_ylabel(y_label)
ax.set_title(plot_title)
ax.legend()
ax.grid()
# 绑定鼠标点击事件
fig.canvas.mpl_connect('button_press_event', on_click)
plt.show(block=False) # 非阻塞显示图像
# 循环询问用户是否需要查询
while True:
print("\n查询选项：")
print("1. 输入 x 查询拟合曲线的 y 值")
print("2. 输入 y 查询拟合曲线的 x 值")
print("3. 退出查询")
query_choice = input("请输入选项编号（1, 2 或 3）：")
if query_choice in ["1", "2"]:
# 显示所有拟合曲线供用户选择
print("\n可用拟合曲线：")
for i, fit in enumerate(all_fits):
print(f"{i + 1}. {fit['label']} (R^2={fit['r2']:.4f})")
curve_choice = int(input("请选择拟合曲线编号：")) - 1
if 0 <= curve_choice < len(all_fits):
selected_fit = all_fits[curve_choice]
x_fit = selected_fit["x_fit"]
y_fit = selected_fit["y_fit"]
label = selected_fit["label"]
if query_choice == "1":
x_input = float(input("请输入 x 的值："))
if min(x_fit) <= x_input <= max(x_fit):
y_output = np.interp(x_input, x_fit, y_fit) # 插值计算 y 值
print(f"拟合模型: {label}")
print(f"输入 x = {x_input:.4f}, 输出 y = {y_output:.4f}")
else:
print("输入的 x 超出了拟合曲线的范围。")
elif query_choice == "2":
y_input = float(input("请输入 y 的值："))
if min(y_fit) <= y_input <= max(y_fit):
x_output = np.interp(y_input, y_fit, x_fit) # 插值计算 x 值
print(f"拟合模型: {label}")
print(f"输入 y = {y_input:.4f}, 输出 x = {x_output:.4f}")
else:
print("输入的 y 超出了拟合曲线的范围。")
else:
print("无效的曲线编号，请重新选择。")
elif query_choice == "3":
print("退出查询。")
break
else:
print("无效的选项，请重新输入。")
plt.ioff() # 关闭交互模式
plt.close(fig) # 关闭图像窗口
else:
print("无效的选项编号，请重新运行程序并输入 1 或 2。")
更多游戏资讯请关注：电玩帮游戏资讯专区
电玩帮图文攻略 www.vgover.com
