少量数据下实现平滑Gaussian拟合的方法求助

你的问题核心是数据点数量有限（仅7个）且存在异常值（最后一个y值为-9），导致无约束的高斯拟合结果偏离标准形态。不增加数据的前提下，可以通过以下几种方式优化：

1. 约束参数取值范围 #

利用curve_fit的bounds参数限制参数的合理区间，避免拟合出不符合物理意义的结果（如负的标准差、不合理的振幅）。

修改后的完整代码：

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

x = np.array([63.8, 69.9, 76, 82.1, 88.2, 94.3, 100.4])
y = np.array([124, 349, 1793, 5143, 2782, 174, -9])

def gaus(x, amp, cen, sigma):
    return amp * (1/(sigma * np.sqrt(2*np.pi))) * np.exp(-0.5 * ((x - cen)/sigma)**2)

# 设置参数边界：振幅(0, 60000)、中心(70, 90)、标准差(5, 15)
popt_gauss, _ = curve_fit(gaus, x, y, p0=[5150, 81, 10], 
                          bounds=([0, 70, 5], [60000, 90, 15]))

# 生成密集x点绘制平滑拟合曲线
x_fit = np.linspace(min(x), max(x), 100)
y_fit = gaus(x_fit, *popt_gauss)

plt.scatter(x, y, color="black", marker=".", s=30, label="原始数据")
plt.plot(x_fit, y_fit, color="red", linewidth=1, label="高斯拟合曲线")
plt.legend()
plt.show()

2. 剔除异常数据点 #

最后一个数据点(100.4, -9)明显偏离整体趋势，属于异常值，剔除后能显著提升拟合的合理性：

# 移除最后一个异常点
x = np.array([63.8, 69.9, 76, 82.1, 88.2, 94.3])
y = np.array([124, 349, 1793, 5143, 2782, 174])

配合参数约束使用，拟合结果会更接近标准高斯曲线。

3. 优化初始猜测值 #

初始猜测值对少数据点的拟合影响极大，根据数据峰值位置和大小调整p0，能帮助拟合算法更快收敛到合理结果：

peak_y = max(y)
peak_x = x[np.argmax(y)]
# 根据高斯函数峰值公式估算初始振幅
init_amp = peak_y * 8 * np.sqrt(2*np.pi)  # 假设初始标准差为8
p0 = [init_amp, peak_x, 8]

# 用优化后的初始值拟合
popt_gauss, _ = curve_fit(gaus, x, y, p0=p0, bounds=([0, 70, 5], [60000, 90, 15]))

4. 带正则化的拟合 #

如果不想剔除数据，可使用least_squares替代curve_fit，通过正则化约束参数，避免过拟合：

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

x = np.array([63.8, 69.9, 76, 82.1, 88.2, 94.3, 100.4])
y = np.array([124, 349, 1793, 5143, 2782, 174, -9])

def gaus(x, amp, cen, sigma):
    return amp * (1/(sigma * np.sqrt(2*np.pi))) * np.exp(-0.5 * ((x - cen)/sigma)**2)

def residuals(params, x, y):
    amp, cen, sigma = params
    return y - gaus(x, amp, cen, sigma)

# 使用soft_l1损失实现正则化，f_scale控制正则化强度
result = least_squares(residuals, x0=[5150, 81, 10], args=(x, y), 
                       loss='soft_l1', f_scale=100)

popt_gauss = result.x
x_fit = np.linspace(min(x), max(x), 100)
y_fit = gaus(x_fit, *popt_gauss)

plt.scatter(x, y, color="black", marker=".", s=30, label="原始数据")
plt.plot(x_fit, y_fit, color="red", linewidth=1, label="高斯拟合曲线")
plt.legend()
plt.show()

内容的提问来源于stack exchange，提问作者daveidix