Мой набор данных:
У меня есть следующий набор данных, который при построении с использованием Plotly дает следующий результат (упрощенный):
Мое задание:
Я хочу создать функцию конверта, которая извлекает локальные максимумы и минимумы из данных из приведенного выше набора данных и строит кривую конверта. Примерно это будет выглядеть так:
Я попытался подойти к решениям, предоставленным здесь, и к решению для конверта, предоставленному здесь. Однако ни один из них не работает для меня в этом подходе. По какой-то странной причине точечные диаграммы выдают следующее полученные результаты (для локального минимума), что не совсем то, что мне нужно.
Вот мой код для начального сюжета:
import plotly.express as px
import plotly.graph_objects as go
fig= go.Figure()
fig.add_traces(go.Scatter(x= mem_df['time'], y=mem_df['volatge']))
fig.update_layout(xaxis_title = r'$\text{Time } T \text{ in s} $',
yaxis_title = r'$\text{Deflection angle } \text{ in radians}$')
fig.update_layout(title= r'$\text{Deflection angles versus time for the damping sheet}$')
fig.show()
Любая помощь в этом случае будет оценена по достоинству! Заранее спасибо!
Проблема в том, что ваши данные содержат немного шума. Один из возможных подходов состоит в том, чтобы найти подходящую кривую, а затем найти локальный максимум и минимум на подгонке. scipy
приходит на помощь:
import plotly.express as px
import plotly.graph_objects as go
import pandas as pd
import numpy as np
from scipy.optimize import curve_fit
from scipy.signal import argrelextrema
mem_df = pd.read_csv("path/to/file")
x = mem_df['time'].values
y = mem_df['deflection'].values
# dampened oscillator
func = lambda x, xi, k, phi, a, b: a * np.sin(k * x - phi) * np.exp(-xi * x) + b
popt, pcov = curve_fit(func, x, y)
fig= go.Figure()
fig.add_traces(go.Scatter(x=x, y=y, name = "data"))
# plot the curve fit
xx = np.linspace(0, 20, 150)
yy = func(xx, *popt)
fig.add_traces(go.Scatter(x=xx, y=yy, name = "fit"))
idx_max = argrelextrema(yy, np.greater)
idx_min = argrelextrema(yy, np.less)
fig.add_traces(go.Scatter(x=xx[idx_max], y=yy[idx_max], name = "top"))
fig.add_traces(go.Scatter(x=xx[idx_min], y=yy[idx_min], name = "bottom"))
fig.update_layout(xaxis_title = r'$\text{Time } T \text{ in s} $',
yaxis_title = r'$\text{Deflection angle } \text{ in radians}$')
fig.update_layout(title= r'$\text{Deflection angles versus time for the damping sheet}$')
fig.show()
Потрясающий! Большое спасибо, что научили меня этому! Это интересный подход. Мне было интересно, как бороться с шумом в данных.