如何获取双峰正态分布的最优拟合参数？

你手动调整参数很难找到全局最优解，建议用数值优化工具自动拟合参数。下面是改进后的代码，使用scipy.optimize.curve_fit来自动寻找最优参数，同时优化了函数定义让拟合更高效：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# 数据准备
hours = np.array([i/2 for i in range(49)])
frequency = np.array([79, 77, 68, 72, 72, 73, 97, 126, 179, 278, 436, 529, 684, 641, 532, 
                     460, 275, 206, 136, 120, 108, 104, 88, 114, 129, 122, 142, 143, 142, 
                     139, 145, 149, 162, 270, 371, 418, 495, 421, 334, 274, 144, 126, 97, 
                     99, 90, 78, 77, 94, 79])

# 重新定义双峰正态分布函数，参数更直观
def bimodal(x, phi, mu1, mu2, sigma):
    # phi: 第一个峰的权重（0<phi<1）
    # mu1, mu2: 两个峰的均值
    # sigma: 两个峰的共同标准差
    norm1 = phi * np.exp(-(x - mu1)**2 / (2 * sigma**2)) / (sigma * np.sqrt(2 * np.pi))
    norm2 = (1 - phi) * np.exp(-(x - mu2)**2 / (2 * sigma**2)) / (sigma * np.sqrt(2 * np.pi))
    return norm1 + norm2

# 计算密度值：频率/(总样本数*组距)，组距是0.5（因为hours间隔0.5）
total_samples = frequency.sum()
bin_width = 0.5
density = frequency / (total_samples * bin_width)

# 初始参数猜测：从直方图看，两个峰大概在6和18，权重接近0.5，标准差约3
p0 = [0.5, 6, 18, 3]

# 拟合参数，设置参数边界避免不合理值（phi在0-1，sigma>0）
bounds = ([0, -np.inf, -np.inf, 1e-3], [1, np.inf, np.inf, np.inf])
params, covariance = curve_fit(bimodal, hours, density, p0=p0, bounds=bounds)

# 提取最优参数
phi_opt, mu1_opt, mu2_opt, sigma_opt = params
print(f"最优参数：phi={phi_opt:.4f}, mu1={mu1_opt:.4f}, mu2={mu2_opt:.4f}, sigma={sigma_opt:.4f}")

# 生成拟合曲线
x_fit = np.linspace(min(hours), max(hours), 400)
y_fit = bimodal(x_fit, phi_opt, mu1_opt, mu2_opt, sigma_opt)

# 绘图对比
plt.figure(figsize=(10, 6))
plt.bar(hours, density, width=bin_width, alpha=0.7, label="密度直方图数据", align='center')
plt.plot(x_fit, y_fit, 'r-', label="双峰拟合曲线", linewidth=2)
plt.xlabel('小时')
plt.ylabel('密度')
plt.title('供应时间密度直方图与双峰正态分布拟合')
plt.legend()
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

关键改进点： #

• 参数定义优化：直接使用权重phi、两个峰的均值mu1/mu2和共同标准差sigma，物理意义更明确，减少参数转换带来的拟合难度。
• 自动拟合工具：用curve_fit进行非线性最小二乘拟合，自动寻找最优参数，避免手动调参的主观性。
• 参数边界约束：通过bounds限制参数范围（比如phi必须在0-1之间，sigma必须为正），确保拟合结果合理。
• 数据预处理：正确计算密度值，让拟合目标与直方图的密度轴对齐，提升拟合精度。

运行这段代码后，会输出最优参数，并且拟合曲线会更贴合你的数据分布。

内容的提问来源于stack exchange，提问作者Dondu