如何为curve_fit的damped_sine拟合设置数据截断范围？

核心逻辑很简单：拟合和绘图是两个独立步骤，不需要用同一份数据集。只需要把x≤20的有效数据子集传给拟合函数计算参数，绘图时用全范围x代入拟合好的函数生成曲线即可，完全不需要裁剪原始数据或者缩小绘图范围。

具体修改点 #

• 原有数据转numpy数组、定义damped_sine函数的逻辑不需要改动
• 新增布尔掩码，筛选出x值≤20的样本作为拟合专用数据集，噪声段数据完全不进入curve_fit的计算流程
• 拟合完成后，不要用筛选后的短x数组生成拟合曲线，直接把完整的原始x数组传入拟合函数，计算得到覆盖全区间（包括x>20噪声段）的拟合y值
• 绘图逻辑和原有逻辑基本一致，正常绘制全量原始数据、全区间红色拟合曲线即可，还可以额外加一条参考线标记有效数据阈值

完整实现代码 #

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

# 原始数据转numpy数组，和原有逻辑一致
x = np.array(x0)
y = np.array(y0)

# 定义阻尼正弦拟合模型，和原有逻辑一致
def damped_sine(t, A, decay_lambda, omega):
    return A * np.exp(-decay_lambda * t) * np.cos(omega * t)

# 筛选有效数据点：仅保留x≤20的部分参与拟合
valid_mask = x <= 20
x_for_fit = x[valid_mask]
y_for_fit = y[valid_mask]

# 执行拟合，仅传入有效数据
popt, pcov = curve_fit(damped_sine, x_for_fit, y_for_fit)
# 计算各参数的标准差
param_std = np.sqrt(np.diag(pcov))

# 打印拟合结果
print("=== 拟合参数结果 ===")
print(f"振幅A: 最优值={popt[0]:.4f}, 标准差={param_std[0]:.4f}")
print(f"衰减系数λ: 最优值={popt[1]:.4f}, 标准差={param_std[1]:.4f}")
print(f"角频率ω: 最优值={popt[2]:.4f}, 标准差={param_std[2]:.4f}")

# 生成全x区间的拟合曲线值（覆盖x>20的噪声段）
y_fit_full = damped_sine(x, *popt)

# 绘制全区间图像
plt.figure(figsize=(10, 6))
plt.plot(x, y, label="原始实验数据", color="#1f77b4")
plt.plot(x, y_fit_full, color="red", linestyle="--", linewidth=2, label="阻尼正弦拟合曲线")
plt.axvline(x=20, color="gray", linestyle=":", label="有效数据阈值(x=20)")
plt.xlabel("t")
plt.ylabel("y(t)")
plt.legend()
plt.grid(alpha=0.3)
plt.show()

小提示：如果后续需要调整有效数据的阈值，只需要修改valid_mask = x <= 20里的20为对应数值即可，不需要改动其他逻辑。不要用给噪声段数据赋0权重的方式做拟合，直接筛除无效数据的计算效率更高，也完全避免噪声对参数估计的干扰。

内容的提问来源于stack exchange，提问作者IAmOneWithTheScientist