所以我一直在尝试拟合一个指数修正的高斯函数(如果有兴趣,https://en.wikipedia.org/wiki/Exponentially_modified_Gaussian_distribution)
import numpy as np
import scipy.optimize as sio
import scipy.special as sps
def exp_gaussian(x, h, u, c, t):
z = 1.0/sqrt(2.0) * (c/t - (x-u)/c) #not important
k1 = k2 = h * c / t * sqrt(pi / 2) #not important
n1 = 1/2 * (c / t)**2 - (x-u)/t #not important
n2 = -1 / 2 * ((x - u) / c)**2 #not important
y = np.zeros(len(x))
y += (k1 * np.exp(n1) * sps.erfc(z)) * (z < 0)
y += (k2 * np.exp(n2) * sps.erfcx(z)) * (z >= 0)
return y
为了防止溢出问题,必须使用两个等价函数中的一个,这取决于z是正的还是负的(请参阅上一页wikipedia中的可选计算形式)。你知道吗
我遇到的问题是:当z为正时,线y += (k2 * np.exp(n2) * sps.erfcx(z)) * (z >= 0)
应该只加到y上。但是如果z是,比如说,-30,sps.erfcx(-30)
是inf
,inf*False是NaN。因此,结果y不是保持y不变,而是与NaN聚集在一起。示例:
x = np.linspace(400, 1000, 1001)
y = exp_gaussian(x, 100, 400, 10, 5)
y
array([ 84.27384586, 86.04516723, 87.57518493, ..., nan,
nan, nan])
我尝试用以下内容替换有问题的行:
y += numpy.nan_to_num((k2 * np.exp(n2) * sps.erfcx(z)) * (z >= 0))
但是这样做会遇到严重的运行时问题。有没有办法只在(z >= 0)
的条件下计算(k2 * np.exp(n2) * sps.erfcx(z))
?有没有其他方法可以在不牺牲运行时间的情况下解决这个问题?你知道吗
谢谢!你知道吗
编辑:根据Rishi的建议,下面的代码似乎工作得更好:
def exp_gaussian(x, h, u, c, t):
z = 1.0/sqrt(2.0) * (c/t - (x-u)/c)
k1 = k2 = h * c / t * sqrt(pi / 2)
n1 = 1/2 * (c / t)**2 - (x-u)/t
n2 = -1 / 2 * ((x - u) / c)**2
return = np.where(z >= 0, k2 * np.exp(n2) * sps.erfcx(z), k1 * np.exp(n1) * sps.erfc(z))
您可以做的一件事是创建一个掩码并重用它,这样就不需要对它进行两次评估。另一个想法是在结尾只使用nan\u to\u num一次
试试看这是否有帮助。。。你知道吗
把numpy.where和这样的东西一起使用怎么样:
np.where(z >= 0, sps.erfcx(z), sps.erfc(z))
。我可不是什么numpy专家,所以不知道这是否有效。至少看起来很优雅!你知道吗相关问题 更多 >
编程相关推荐