这个问题我之前也碰到过，核心原因是你的输入数据尺度太大，而且curve_fit默认的初始参数都是1，这种情况下优化算法很难找到正确的拟合方向，直接就停在初始值上了。下面给你几个实用的解决办法：

1. 对输入数据进行归一化/标准化处理 #

把大数值的A和B缩放到算法更容易处理的范围（比如0-1区间），拟合完成后再把参数转换回原始尺度。

示例代码：

# 归一化A和B到0-1范围
A_normalized = (A - np.min(A)) / (np.max(A) - np.min(A))
B_normalized = (B - np.min(B)) / (np.max(B) - np.min(B))

# 用归一化后的数据拟合
params, _ = curve_fit(gauss2, A_normalized, B_normalized)

# 反向转换参数到原始尺度（需根据归一化规则推导，比如高斯中心b要对应回原始A的范围，幅度a对应原始B的范围）
# 举个转换示例：
original_b1 = params[1] * (np.max(A) - np.min(A)) + np.min(A)
original_a1 = params[0] * (np.max(B) - np.min(B)) + np.min(B)
# 其他参数同理转换

2. 手动设置合理的初始参数 #

curve_fit的p0参数可以指定初始猜测值，给一个接近真实情况的初始值，算法就能更快收敛。

对于双高斯拟合，你可以先从数据里提取特征来设置初始值：

• a1/a2：设为B的峰值附近的数值，比如取B最大值的一半或两个峰值的近似值
• b1/b2：对应A中两个峰值的位置，先画散点图plt.scatter(A,B)就能看出大概的中心位置
• c1/c2：设为A数据标准差的一半，或根据数据分布估计的宽度

示例代码：

# 根据你的数据手动估计初始参数（这里的数值是参考你的均值给出的示例，需要根据实际分布调整）
p0 = [3000, 39000, 50, 200, 38900, 50]

# 传入初始参数进行拟合
params, _ = curve_fit(gauss2, A, B, p0=p0)

3. 设置参数边界（可选） #

如果你的参数有明确的物理范围（比如幅度a不能为负，宽度c必须是正数），可以用bounds参数限制参数取值，避免算法跑到不合理的区域：

# 设置参数上下界：幅度a为正，中心b在A的取值范围内，宽度c为正
bounds = (
    [0, np.min(A), 0, 0, np.min(A), 0],  # 下界
    [np.max(B), np.max(A), np.inf, np.max(B), np.max(A), np.inf]  # 上界
)

params, _ = curve_fit(gauss2, A, B, p0=p0, bounds=bounds)

4. 先确认数据分布是否适合双高斯拟合 #

最后别忘了先可视化数据：画个散点图或者直方图看看A和B的分布，如果数据本身没有明显的两个峰，强行用双高斯拟合出来的参数也没有意义，先确认数据形态再动手拟合会更稳妥。

内容的提问来源于stack exchange，提问作者haojie