import numpy as n
import matplotlib.pyplot as pl

# komentarz: import metody z pakietu scipy.optymize
##from scipy.optimize import curve_fit

# komentarz: model opisujacy dane
##def f(x, a, b):
##    return a * x + b

# komentarz: wczytanie danych eksperymentalnych
data = n.loadtxt('line.txt')
x = data[:, 0]
y = data[:, 1]
pl.plot(x, y, 'o')

#####s = data[:, 2]
#####pl.errorbar(x,y,yerr=s,fmt='o')

# komentarz: dopasowanie 1
##par1, cov1 = curve_fit(f, x, y)
# komentarz: dopasowanie 2; z uwzglednieniem parametrow poczatkowych
####par2, cov2 = curve_fit(f, x, y, p0=n.array([0.7, 0.5]))
# komentarz: dopasowanie 3; uwzglednienie niepewnosci pomiarowych
#####par3,cov3=curve_fit(f, x, y, p0 = n.array([0.7,0.5]), sigma = s, absolute_sigma = True)

# komentarz: wypisanie dopasowanych parametrow dopasowania 1
##print('paramtery dopasowania 1', par1)
# komentarz: wypisanie dopasowanych parametrow dopasowania 2
####print('paramtery dopasowania 2',par2)
# komentarz: wypisanie dopasowanych parametrow dopasowania 3
#####print('paramtery dopasowania 3',par3)

# komentarz: wypisanie niepewnosci dopasowanych parametrow
##print('niepewnosci parametrow z dopasowania 1', n.sqrt(n.diag(cov1)))

# komentarz: przygotowanie wspolrzegnych do wyswietlenia dopasowanego modelu
###xpar = n.arange(-10, 10, 0.1)

# komentarz: wizualizacja dopasowanej zależności
###pl.plot(xpar, f(xpar,par1[0],par1[1]))
####pl.plot(xpar, f(xpar,par2[0],par2[1]))
#####pl.plot(xpar, f(xpar,par3[0],par3[1]))

pl.savefig('przyklad9.pdf')