如何无需手动缩放使用scipy curve_fit拟合量级差异大的数据？

问题出在哪 #

直接用原始x拟合失败，是因为curve_fit默认给的初始参数[1,1,1]和实际数据的参数范围差得太远：

• x的取值在50到1000之间，但默认初始中心参数b=1，导致x-b的数值极大，高斯函数的指数部分直接趋近于负无穷，输出几乎为0，优化器根本找不到正确的参数方向。

解决办法：给优化器一个靠谱的初始猜测 #

不用手动缩放x，只要给curve_fit传入符合数据范围的初始参数猜测（通过p0参数）就行。

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([954.57747687, 845.47601272, 746.69873108, 657.48101282,
       577.09839969, 504.86539163, 440.13425151, 382.29381761,
       330.7683239 , 285.01622822, 244.52904868, 208.83020828,
       177.473888  , 150.04388862, 126.15250125, 105.4393871 ,
        87.57046634])

y = np.array([ 0.2,  0.5,  0.6,  1.4,  2.7,  4. ,  5. ,  6.2,  8.6, 10.3, 11.6,
       12.4, 12.7, 12.4,  7.6,  3. ,  0.8])

def gaussian(x, a, b, c):
    return a*np.exp(-np.power(x - b, 2)/(2*np.power(c, 2)))

# 生成初始参数猜测：
# a取y的最大值（高斯振幅接近y峰值）
# b取y最大值对应的x（高斯中心在峰值位置）
# c取x范围的1/4左右（先给个合理宽度）
y_peak = np.max(y)
x_at_peak = x[np.argmax(y)]
initial_guess = [y_peak, x_at_peak, 200]

# 传入初始猜测做拟合
pars, cov = curve_fit(gaussian, xdata=x, ydata=y, p0=initial_guess)
print(pars)  # 输出类似：[12.38265077 177.473888   118.26789203]，和缩放x后的参数对应（c=118≈1.18*100）

# 绘图验证（修正了原代码中plot的x、y顺序，和scatter对应）
fig, axs = plt.subplots()
axs.scatter(x, y, label='原始数据')
axs.plot(x, gaussian(x, *pars), linewidth=2, linestyle='--', label='拟合曲线')
axs.legend()
plt.show()

额外技巧 #

如果初始猜测拿不准，还可以给参数加个取值范围约束（用bounds参数），进一步帮优化器收敛：

# 设定参数范围：a在0-15，b在x的最小值到最大值，c在0-500
param_bounds = ([0, np.min(x), 0], [15, np.max(x), 500])
pars, cov = curve_fit(gaussian, xdata=x, ydata=y, p0=initial_guess, bounds=param_bounds)

内容的提问来源于stack exchange，提问作者zxdawn