scipy.optimize.curve_fit为何无法将列表作为单个参数传入p0？

问题根源 #

curve_fit的工作逻辑是将p0中的每个元素作为独立参数传递给拟合函数。你传入嵌套列表p0=[[1, 0.1, 1, 640, 1, 0.2, 651, 2]]时，它会把内层的8个元素拆成8个独立参数，加上输入x后，一共9个参数传给你的gauss函数，但你的函数只接受2个参数（x和peaks列表），因此触发TypeError。

两种解决方案 #

方案1：修改自定义函数，接受可变数量的独立参数

直接调整gauss函数的参数定义，用*params接收所有独立参数，再在函数内部将参数重组为你需要的峰结构：

import numpy as np
from scipy.optimize import curve_fit

def gauss(x, *params):
    # 将扁平化的参数重组为峰列表（假设每个峰对应4个参数：振幅、宽度、偏移、中心）
    peaks = np.array(params).reshape(-1, 4)
    y = np.zeros_like(x)
    for amp, width, offset, center in peaks:
        y += amp * np.exp(-(x - center)**2 / (2 * width**2)) + offset
    return y

# 生成测试数据
x = np.linspace(600, 700, 100)
y_true = 1*np.exp(-(x-640)**2/(2*0.1**2)) + 1 + 1*np.exp(-(x-651)**2/(2*0.2**2)) + 2
y_noise = y_true + 0.05*np.random.normal(size=x.size)

# 初始参数直接传扁平化列表，无需嵌套
p0 = [1, 0.1, 1, 640, 1, 0.2, 651, 2]
popt, pcov = curve_fit(gauss, x, y_noise, p0=p0)

print("拟合后的峰参数：", popt.reshape(-1, 4))

方案2：用lambda包装函数，保留原函数参数结构

如果不想修改原gauss函数的参数定义，可以用lambda表达式将curve_fit传递的多个独立参数打包成列表，再传给原函数：

import numpy as np
from scipy.optimize import curve_fit

# 原自定义高斯函数，保持接收x和单个peaks参数
def gauss(x, peaks):
    y = np.zeros_like(x)
    peaks = np.array(peaks).reshape(-1, 4)
    for amp, width, offset, center in peaks:
        y += amp * np.exp(-(x - center)**2 / (2 * width**2)) + offset
    return y

# 生成测试数据
x = np.linspace(600, 700, 100)
y_true = 1*np.exp(-(x-640)**2/(2*0.1**2)) + 1 + 1*np.exp(-(x-651)**2/(2*0.2**2)) + 2
y_noise = y_true + 0.05*np.random.normal(size=x.size)

# 用lambda打包参数，p0传扁平化列表
p0 = [1, 0.1, 1, 640, 1, 0.2, 651, 2]
popt, pcov = curve_fit(lambda x, *p: gauss(x, p), x, y_noise, p0=p0)

print("拟合后的峰参数：", np.array(popt).reshape(-1, 4))

内容的提问来源于stack exchange，提问作者mrecksie