如何根据分布峰数构建可扩展的高斯拟合优化函数，避免冗余分支

可以通过可变参数+动态参数拼接的方式实现，完全不需要写多个独立高斯函数和大量分支判断，修正了你原有代码中的复制粘贴错误，完整实现如下：

import numpy as np
from scipy.optimize import curve_fit
from scipy.signal import find_peaks

# 通用多高斯拟合函数，支持任意数量高斯项
def multi_gauss(x, *params):
    # 第一个参数为全局基线H
    y = params[0]
    # 后续每3个参数对应一个高斯的振幅A、均值mean、标准差std
    for i in range(1, len(params), 3):
        A, mean, std = params[i], params[i+1], params[i+2]
        y += A * np.exp(-(x - mean)**2 / (2 * std**2))
    return y

def get_popt(f, max_peaks=5):
    x = np.arange(len(f))
    # 检测峰位置
    means = find_peaks(f, prominence=0.05, width=1)[0]
    if len(means) == 0:
        return []
    # 限制最大拟合峰数，和你原有逻辑保持一致默认设为5
    means = means[:max_peaks]
    n_peaks = len(means)
    
    # 动态生成初始值p0
    p0 = [0]  # 基线初始值设为0
    for m in means:
        p0.extend([f[m], m, 3])  # 每个峰默认初始值：振幅取峰高、均值取峰位置、标准差取3
    
    # 动态生成参数边界，和你原有设置一致
    lower_bounds = [0]
    upper_bounds = [1]
    for m in means:
        lower_bounds.extend([0.9 * f[m], 0.9 * m, 0])
        upper_bounds.extend([1.1 * f[m], 1.1 * m, 10])
    
    # 统一调用拟合接口，无需分支判断
    popt, _ = curve_fit(multi_gauss, x, f, p0=p0, bounds=(lower_bounds, upper_bounds))
    return popt

使用说明 #

• 拟合返回的popt参数顺序为：[基线值, 第一个高斯的振幅、均值、标准差, 第二个高斯的振幅、均值、标准差, ...]，可直接按顺序拆分使用
• 如果需要提取每个独立高斯的曲线，可参考如下代码：

popt = get_popt(f)
x = np.arange(len(f))
H = popt[0]
# 存储每个独立高斯曲线的列表
single_gauss_list = []
for i in range(1, len(popt), 3):
    A, mean, std = popt[i], popt[i+1], popt[i+2]
    gauss_curve = A * np.exp(-(x - mean)**2 / (2 * std**2))
    single_gauss_list.append(gauss_curve)
# 总拟合结果 = 基线H + 所有独立高斯曲线的和
total_fit = H + sum(single_gauss_list)

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