SciPy curve_fit拟合洛伦兹分布无法偏移峰值问题排查

问题来自接口使用错误叠加数值尺度隐患：

1. curve_fit参数顺序传反：scipy.optimize.curve_fit的固定调用格式是curve_fit(拟合函数, 自变量x数据, 因变量y数据, ...)，你的代码里写的是curve_fit(lorentzian, test_data, frequencies, ...)，把洛伦兹输出的幅值数据（本应是因变量y）当成了自变量x，把频率数组（本应是自变量x）当成了要拟合的因变量y，拟合目标和你定义的洛伦兹函数完全不匹配——相当于要让模型学会「输入洛伦兹幅值返回对应频率」，而这个映射本身是一对多的非单值函数，优化器根本找不到有效的梯度下降方向，所以参数从始至终停在初始猜测值不动，自然无法估计协方差，返回全inf的协方差矩阵。
2. 数值尺度风险：你的频率参数在1e9量级，线宽gamma在1.5e7量级，不同参数的数值差了2个数量级，雅可比矩阵计算时很容易出现浮点精度截断问题，哪怕参数顺序正确，在有噪声的实测场景下也可能出现收敛异常。

• 首先修正curve_fit的参数传入顺序，把自变量frequencies放在第二个参数位置，因变量test_data放在第三个参数位置，修正后的调用语句为：

popt, pcov = curve_fit(lorentzian, frequencies, test_data, maxfev = 100000, p0 = guess)

• 对于你当前生成的无噪声理想数据，只修正参数顺序即可得到完全准确的拟合结果，拟合参数会和你设定的fake参数完全一致，不会再报协方差估计失败的警告。
• 如果后续要拟合带噪声的实测数据，建议先对频率轴做尺度缩放，比如将所有频率值减去标称中心频率5e9，把自变量范围压缩到±5e7区间，拟合完成后再给中心频率参数加回5e9即可，能大幅提升数值稳定性，避免大数值带来的精度问题。

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

def lorentzian(freq, gamma, center_freq, amplitude):
    return amplitude * gamma**2 / ( gamma**2 + ( freq - center_freq )**2) + 1

frequencies = np.arange(4.95e9, 5.05e9, 0.1e9/1000)

guess = [15000000, 4.997e9, 28]
fake = [15000000, 5.02e9, 28]
test_data = lorentzian(frequencies, *fake)
# 修正参数顺序
popt, pcov = curve_fit(lorentzian, frequencies, test_data, maxfev = 100000, p0 = guess)
fit_lorentzian = lorentzian(frequencies, *popt)
plt.plot(frequencies, test_data, label='Ideal data')
plt.plot(frequencies, fit_lorentzian, linestyle='--', label='Fit result')
plt.legend()
plt.show()

内容的提问来源于stack exchange，提问作者ttshaw1