Fitten von Zeitkurven

[sparrow]

Überheblich war das keineswegs gemeint. Ich war nur neugierig, weil sich das Fass von "Herrschern", "mit Fehlern vollgestopften Kalendern" und der Raumkrümmung für mich schon sehr groß angefühlt hat.

[zegru]

Zurück zur ursprünglichen Frage: Ich habe nun folgenden Code geschrieben, in dem ich immerzu hin- und herkonvertiere:

Code: Alles auswählen

import datetime
from matplotlib import pyplot as plt, ticker
import scipy
import numpy as np

def quadratic(x: float, a: float, b: float, c: float):
    return a * x * x + b * x + c

def make_label(value, pos):
    return value.strftime("%m.%y")

measurements = [(datetime.date(2024, 12, 1), 10.0),
                (datetime.date(2024, 12, 2), 11.2),
                (datetime.date(2024, 12, 3), 14.3),
                (datetime.date(2024, 12, 4), 10.0),
                (datetime.date(2024, 12, 5), 3.0),
                (datetime.date(2024, 12, 6), 1.0),
                ]

measurements_x = [measurement[0] for measurement in measurements]
measurements_x_as_datetime = [datetime.datetime.combine(measurement[0], datetime.datetime.min.time())
                               for measurement in measurements]
measurements_x_as_timestamp = [measurement.timestamp()
                               for measurement in measurements_x_as_datetime]
measurements_y = [measurement[1] for measurement in measurements]

popt, pcov = scipy.optimize.curve_fit(quadratic, measurements_x_as_timestamp, measurements_y)
fitted_x_as_timestamp = np.linspace(measurements_x_as_timestamp[0],
                                    measurements_x_as_timestamp[-1],
                                    1000)  # Many points in the right range
fitted_x_as_datetime = [datetime.datetime.fromtimestamp(timestamp) for timestamp in fitted_x_as_timestamp.tolist()]
fitted_y = [quadratic(x, *popt) for x in fitted_x_as_timestamp]

plt.grid(True)
#plt.axes().xaxis.set_major_formatter(ticker.FuncFormatter(make_label))
plt.scatter(measurements_x_as_datetime, [m[1] for m in measurements], color="r")
plt.plot(fitted_x_as_datetime, fitted_y, color="b")
plt.show()

Was mich hier etwas misstrauisch macht;

• Es ist ziemlich viel boilerplate
• Wenn man den Kommentar vor ´set_major_formatter()´ entfernt, gibt es die Fehlermeldung `AttributeError: 'numpy.float64' object has no attribute 'strftime'`
• Beim Aufruf von `curve_fit` gibt es die Warnung `too many values to unpack` in Pycharm

[__blackjack__]

Man kann sich da einiges sparen wenn man Numpy's `datetime64`-Typ verwendet. Einen Formatter gibt's dafür auch. (Macht natürlich nicht so viel Sinn Monat und Jahr zu formatieren wenn alle Datenpunkte aus dem gleichen Monat und Jahr sind. )

Code: Alles auswählen

from datetime import date as Date

import numpy as np
import scipy
from matplotlib import pyplot as plt
from matplotlib.dates import DateFormatter


def quadratic(x: float, a: float, b: float, c: float):
    return a * x * x + b * x + c


def main():
    measurements = [
        (Date(2024, 12, 1), 10.0),
        (Date(2024, 12, 2), 11.2),
        (Date(2024, 12, 3), 14.3),
        (Date(2024, 12, 4), 10.0),
        (Date(2024, 12, 5), 3.0),
        (Date(2024, 12, 6), 1.0),
    ]
    measurements_x = np.array(
        [measurement[0] for measurement in measurements], dtype="datetime64[s]"
    )
    measurements_y = [measurement[1] for measurement in measurements]

    popt, _pcov = scipy.optimize.curve_fit(
        quadratic, measurements_x, measurements_y
    )
    #
    # Many points in the right range.
    #
    fitted_x = np.linspace(
        measurements_x[0].astype("f8"),
        measurements_x[-1].astype("f8"),
        1000,
        dtype="datetime64[s]",
    )
    fitted_y = [quadratic(x, *popt) for x in fitted_x.astype("f8")]

    plt.axes().xaxis.set_major_formatter(DateFormatter("%m.%y"))
    plt.scatter(measurements_x, measurements_y, color="r")
    plt.plot(fitted_x, fitted_y, color="b")
    plt.grid(True)
    plt.show()


if __name__ == "__main__":
    main()