如何在Python中用含8个独立参数的curve_fit拟合正态分布？

代码核心错误 #

• 函数参数定义错误：curve_fit要求模型函数第一个参数是自变量，后续为待拟合参数。你的待拟合参数是a,b,c,d,e,f,g,h，mu、sigma、oc1、oc2、oc3不应作为函数参数——oc1/oc2/oc3是自变量组成部分，mu/sigma是由自变量和待拟合参数计算的中间变量。
• 幂运算符号错误：Python中^是按位异或，幂运算需用**。
• 依赖模块缺失：代码使用math模块函数但未导入。
• 数据格式错误：curve_fit的ydata需为一维数组；若实验数据是每组(oc1,oc2,oc3)对应的均值和标准差，需调整拟合逻辑合并数据维度。

修正后的代码实现 #

场景：拟合每组(oc1,oc2,oc3)对应的均值与标准差 #

假设你有N组(oc1,oc2,oc3)，对应N个均值和N个标准差，目标是拟合a-h让计算出的μ和σ与实验值匹配：

from scipy.optimize import curve_fit
import numpy as np

def combined_model(x, a, b, c, d, e, f, g, h):
    # 拆分自变量
    oc1, oc2, oc3 = x[:, 0], x[:, 1], x[:, 2]
    # 计算mu和sigma
    mu = a * (b ** oc1) * (c ** oc2) * (d ** oc3)
    sigma = e * (f ** oc1) * (g ** oc2) * (h ** oc3)
    # 合并结果为一维数组，匹配ydata格式
    return np.concatenate([mu, sigma])

# 准备数据：替换为你的实际数组
oc1_array = np.array([...])
oc2_array = np.array([...])
oc3_array = np.array([...])
mean_array = np.array([...])
std_array = np.array([...])

xdata = np.column_stack((oc1_array, oc2_array, oc3_array))
ydata = np.concatenate([mean_array, std_array])

# 初始参数猜测（必须合理，否则拟合易不收敛）
initial_guess = [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0]

# 执行拟合，可添加参数约束（如sigma必须为正）
popt, pcov = curve_fit(combined_model, xdata, ydata, p0=initial_guess, bounds=([0]*8, [np.inf]*8))
# popt即为拟合得到的[a,b,c,d,e,f,g,h]
a_fit, b_fit, c_fit, d_fit, e_fit, f_fit, g_fit, h_fit = popt

更简洁的实现方式 #

利用numpy向量化特性+scipy内置正态分布工具简化代码：

from scipy.optimize import curve_fit
import numpy as np
from scipy.stats import norm

def simplified_model(x, a, b, c, d, e, f, g, h):
    # 转置后直接拆分自变量，更简洁
    oc1, oc2, oc3 = x.T
    mu = a * (b ** oc1) * (c ** oc2) * (d ** oc3)
    sigma = e * (f ** oc1) * (g ** oc2) * (h ** oc3)
    # 若拟合观测值的概率密度，可直接返回norm.pdf(x_obs, mu, sigma)
    return np.concatenate([mu, sigma])

# 数据准备同前
xdata = np.column_stack((oc1_array, oc2_array, oc3_array))
ydata = np.concatenate([mean_array, std_array])

initial_guess = [1.0]*8
popt, pcov = curve_fit(simplified_model, xdata, ydata, p0=initial_guess, bounds=([0]*8, [np.inf]*8))

关键注意事项 #

• 初始参数：curve_fit对初始值敏感，需根据实验数据给出合理初值（如mu随oc1增大时，b的初值设为大于1的数）。
• 参数约束：通过bounds设置参数范围（如所有参数非负），避免出现无意义的拟合结果。
• 维度匹配：确保xdata为(n_samples, 3)的二维数组，ydata与模型返回值维度一致（联合拟合时为(2*n_samples,)）。

内容的提问来源于stack exchange，提问作者newtopy