一段离散的具有噪声的波，这段点是离散且震荡的，对它进行20元线性拟合，拟合函数波形大致趋势是先下降 再变缓或上升 最后再下降，使用python写出找到下降变缓的点或下降上升的点，其中这个点只在中间1/2区域内,而且在拟合函数中优先谷点或者斜率变缓的点，显示图像

以下是一个简单的示例代码，用于找到下降变缓的点：

import numpy as np
import matplotlib.pyplot as plt

# 构造随机波形
x = np.linspace(0, 10, 100)
y = np.sin(x) + np.random.normal(0, 0.1, size=100)

# 进行20点线性拟合
z = np.polyfit(x, y, 20)
f = np.poly1d(z)

# 绘制拟合曲线和原始数据
plt.plot(x, y, 'b.')
plt.plot(x, f(x), 'r-')

# 找到下降变缓的点
slope = np.gradient(f(x), x)
for i in range(10, 90):
    if slope[i] > slope[i-1] and slope[i] < slope[i+1] and f(x[i]) < np.mean(f(x)):
        plt.plot(x[i], f(x[i]), 'go')

plt.show()

结果如下图所示：


你可以根据自己的波形和需求，调整拟合的点数、判断谷点或斜率变缓的阈值等参数。

相关问题

一段离散的具有噪声的波，这段点是离散且震荡的，拟合它的20元线性回归，波形大致趋势是先下降再变缓或者上升再下降，使用python写出找到那个变缓或者上升的点

假设有一个列表data存储了离散的波形数据，我们可以使用numpy库中的polyfit函数进行线性回归拟合，代码如下：

import numpy as np

# 将数据转化为numpy数组
data = np.array(data)
# 使用polyfit函数进行20元线性回归拟合
fit = np.polyfit(range(len(data)), data, 20)

接下来我们需要找到那个变缓或者上升的点。根据题意，可以定义一个变量slope表示当前的斜率，初始值为0，然后遍历拟合后的结果fit，计算当前点的斜率，并与前一个点的斜率进行比较，如果当前点的斜率大于前一个点的斜率，则将slope设为1，表示当前正在上升；如果当前点的斜率小于前一个点的斜率，则将slope设为-1，表示当前正在下降。如果当前点的斜率与前一个点的斜率相等，则不做处理。最后当slope从-1变为1时，就找到了变缓或者上升的点。

代码如下：

# 定义斜率变量slope
slope = 0
# 遍历拟合结果
for i in range(1, len(fit)):
    # 计算当前点的斜率
    curr_slope = fit[i] - fit[i-1]
    # 如果当前点的斜率大于前一个点的斜率，则将slope设为1
    if curr_slope > slope:
        slope = 1
    # 如果当前点的斜率小于前一个点的斜率，则将slope设为-1
    elif curr_slope < slope:
        slope = -1
    # 如果当前点的斜率与前一个点的斜率相等，则不做处理
    else:
        continue
    # 如果slope从-1变为1，则找到了变缓或者上升的点
    if slope == 1 and slope_prev == -1:
        inflection_point = i-1
        break
    slope_prev = slope

最终的结果存储在变量inflection_point中，表示变缓或者上升的点在data中的索引。

一段离散的具有噪声的波，这段点是离散且震荡的，对它进行20元线性拟合，拟合函数波形大致趋势是先下降 再变缓或上升 最后再下降，使用python写出找到下降变缓的点或下降上升的点,这个点只在拟合函数中间1/2区域内,而且在拟合函数中优先谷点或者斜率变缓的点，显示图像

首先，我们需要生成一段离散的具有噪声的波：

import numpy as np
import matplotlib.pyplot as plt

# 生成一段离散的具有噪声的波
x = np.linspace(0, 10, 100)
y = np.sin(x) + np.random.normal(0, 0.2, 100)

plt.plot(x, y, 'o')
plt.show()

接下来，我们可以使用`numpy.polyfit()`函数进行20元线性拟合，并将拟合函数绘制出来：

# 进行20元线性拟合
z = np.polyfit(x, y, 20)
p = np.poly1d(z)

# 绘制拟合函数
xp = np.linspace(0, 10, 100)
plt.plot(x, y, 'o', xp, p(xp), '-')
plt.show()

接下来，我们可以找到下降变缓的点或下降上升的点：

# 找到下降变缓的点或下降上升的点
dy = np.gradient(p(xp))
d2y = np.gradient(dy)
inflection_points = xp[(d2y > 0) & (dy < 0)]
valley_points = xp[(d2y > 0) & (dy > 0)]

# 绘制结果
plt.plot(x, y, 'o', xp, p(xp), '-', inflection_points, p(inflection_points), 'o', valley_points, p(valley_points), 'o')
plt.legend(['data', 'polynomial fit', 'inflection points', 'valley points'], loc='best')
plt.show()

完整代码如下：

import numpy as np
import matplotlib.pyplot as plt

# 生成一段离散的具有噪声的波
x = np.linspace(0, 10, 100)
y = np.sin(x) + np.random.normal(0, 0.2, 100)

# 进行20元线性拟合
z = np.polyfit(x, y, 20)
p = np.poly1d(z)

# 绘制拟合函数
xp = np.linspace(0, 10, 100)
plt.plot(x, y, 'o', xp, p(xp), '-')

# 找到下降变缓的点或下降上升的点
dy = np.gradient(p(xp))
d2y = np.gradient(dy)
inflection_points = xp[(d2y > 0) & (dy < 0)]
valley_points = xp[(d2y > 0) & (dy > 0)]

# 绘制结果
plt.plot(inflection_points, p(inflection_points), 'o', valley_points, p(valley_points), 'o')
plt.legend(['data', 'polynomial fit', 'inflection points', 'valley points'], loc='best')
plt.show()

结果图像如下：