Scipy curve_fit无法拟合高斯函数问题求助

问题描述 #

我用以下代码生成高斯数据：

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

x_array = np.linspace(0,0.5,100)
mu = 0.25  # Mean
sigma = 0.1  # Standard deviation
y_array_gauss = (1 / (sigma * np.sqrt(2 * np.pi))) * np.exp(-0.5 * ((x_array - mu) / sigma) ** 2)
y_array_gauss = y_array_gauss * (1.3 - 1.1) + 1.1

df = pd.DataFrame({'Time(s)': x_array, 'CH1(V)': y_array_gauss})

随后用自定义拟合函数fit2和高斯模型gauss2拟合：

def fit2(data, func, fit_init_guess, fit_bounds):
    fig, ax = plt.subplots(figsize = (20,6), facecolor='w')

    best_vals, covar = curve_fit(func, data['Time(s)'],data['CH1(V)'],p0 = fit_init_guess, bounds=fit_bounds)

    print(best_vals,'
', covar)

    ax.plot(data['Time(s)'], data['CH1(V)'], '-')
    ax.plot(data['Time(s)'], func(data['Time(s)'], *best_vals),'r-',label='Fit:B+A*e^((-(delta_2)^2)/(2*gamma^2)) \n B=%5.4f, A=%5.4f, gamma=%5.6f, t_0=%5.6f,' % tuple(best_vals))
    plt.legend(loc='lower right')
    return None

def gauss2(B, A, delta, gamma, t_0):
    delta_2 = delta - t_0
    return B+A*np.exp((-(delta_2)**2)/(2*gamma**2))

fitInitGuess = [1.2, 1.9, 0.25, 0.25]
fitBounds=((1.1, 0, 0, 0),(1.3, 2.5, 0.5, 0.5))
fit2(df, gauss2, fitInitGuess, fitBounds)

但拟合效果极差，初始猜测和边界看似合理，求排查原因。

核心失效原因 #

1. 拟合模型完全脱离自变量 #

你的gauss2函数存在致命错误：它没有将拟合的自变量x（即Time(s)）作为参数传入，而是用delta - t_0这个固定值计算指数项，导致模型输出是常数，完全不随时间变化，自然无法拟合随x变化的高斯曲线。

正确的高斯模型需要绑定自变量x，且公式要匹配数据生成逻辑：

def gauss2(x, B, A, mu, sigma):
    # 对应生成数据的公式：B + A * exp( -0.5*((x - mu)/sigma)^2 )
    return B + A * np.exp(-0.5 * ((x - mu)/sigma)**2)

2. 参数顺序与curve_fit规则冲突 #

curve_fit要求拟合函数的第一个参数必须是自变量x，但你定义的gauss2第一个参数是B，导致参数传递完全错位，初始猜测和边界的数值根本对应不到正确的参数上。

3. 初始猜测数值偏差过大 #

生成数据中A的实际值为：

A_actual = (1.3 - 1.1) / (sigma * np.sqrt(2 * np.pi)) ≈ 0.7979

而你设置的初始猜测fitInitGuess中A为1.9，偏差超过100%，会干扰拟合算法的收敛方向。

修正方案 #

1. 调整模型与参数顺序 #

替换gauss2为正确的模型，同时修正初始猜测和边界：

def gauss2(x, B, A, mu, sigma):
    return B + A * np.exp(-0.5 * ((x - mu)/sigma)**2)

# 匹配实际数据的初始猜测：B≈1.1，A≈0.8，mu=0.25，sigma=0.1
fitInitGuess = [1.15, 0.8, 0.25, 0.1]
fitBounds=((1.1, 0, 0, 0.05),(1.3, 1.0, 0.5, 0.2))

2. 更新拟合函数的图例标注 #

在fit2中修改图例的参数对应关系：

ax.plot(data['Time(s)'], func(data['Time(s)'], *best_vals),'r-',
        label='Fit: B + A*exp(-0.5*((x-mu)/sigma)^2) \n B=%5.4f, A=%5.4f, mu=%5.6f, sigma=%5.6f' % tuple(best_vals))

修正后，curve_fit会输出接近真实值的参数，拟合曲线与原始数据几乎重合。

内容的提问来源于stack exchange，提问作者GMML