Python之数据分析（numpy中的多项式拟合）

1、多项式拟合的概念
用一个无穷级数表示一个可微函数，任何可微的函数，总可以用一个N次多项式来近似，而比N次幂更高阶的部分可以作为无穷小量而被忽略不计。
f(x) = p0x^n + p1x^n-1 + p2x^n-2 + … + pn
y1 = f(x0)
y2 = f(x1)
…
yn = f(xn)

2、在numpy中求多项式拟合

• numpy.polyfit(自变量数组, 函数值数组, 最高次幂数n)
  该方法将会返回[p0, p1, …, pn]多项式系数

3、获取每一项的值

• numpy.polyval([p0, p1, …, pn], 自变量数组)
  返回多项式方程的根

4、求微分

• numpy.polyder([p0, p1, …, pn])
  返回导函数系数数组

5、案例分析
首先得到两曲线数据的价差：

diff_closing_price = apple_closing_prices - beer_closing_prices

然后拟合出原函数：

p = np.polyfit(days, diff_closing_price, 5)

之后取值得原函数的系数：

poly_closing_price = np.polyval(p, days)

若进行微分，则还可以求根、取实数根：

# 导函数的系数，即微分函数
q = np.polyder(p)
# 求方程的根，导函数方程的根，拐点
roots = np.roots(q)
# 根是取实根，因此需要判断一下，数组中哪些是实数
reals = roots[np.isreal(roots)].real  # .real表示只取实部
# print(reals)
# 取实数中的每一个值
peeks = [[days[0], np.polyval(p, days[0])]]
for real in reals:
    if days[0]<real and real<days[-1]:
        peeks.append([real, np.polyval(p, real)])  # 拐点，和拐点对应的原函数值

6、多项式拟合案例源码

import datetime as dt
import numpy as np
import matplotlib.pylab as mp
import matplotlib.dates