有很多方法可以将高斯函数拟合到数据集。我经常在拟合数据时使用astropy,这就是为什么我想添加这个作为额外的答案。
我使用的一些数据集应该模拟高斯噪声:import numpy as np
from astropy import modeling
m = modeling.models.Gaussian1D(amplitude=10, mean=30, stddev=5)
x = np.linspace(0, 100, 2000)
data = m(x)
data = data + np.sqrt(data) * np.random.random(x.size) - 0.5
data -= data.min()
plt.plot(x, data)
然后拟合它实际上非常简单,您可以指定要拟合数据的模型和拟合者:fitter = modeling.fitting.LevMarLSQFitter()
model = modeling.models.Gaussian1D() # depending on the data you need to give some initial values
fitted_model = fitter(model, x, data)
并绘制:plt.plot(x, data)
plt.plot(x, fitted_model(x))
不过,也可以只使用Scipy,但必须自己定义函数:from scipy import optimize
def gaussian(x, amplitude, mean, stddev):
return amplitude * np.exp(-((x - mean) / 4 / stddev)**2)
popt, _ = optimize.curve_fit(gaussian, x, data)
这将返回拟合的最佳参数,您可以这样绘制:plt.plot(x, data)
plt.plot(x, gaussian(x, *popt))