Python 中适合高斯的最小二乘法

Question

我试图用给定的数据在 Python 中实现高斯拟合。但是，我无法获得所需的适合度。任何建议都会有所帮助。

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from scipy.optimize import curve_fit
from scipy import asarray as ar, exp

xData=ar([-7.66E-06,-7.60E-06,-7.53E-06,-7.46E-06,-7.40E-06,-7.33E-06,-7.26E-06,-7.19E-06,-7.13E-06,-7.06E-06,-6.99E-06,
-6.93E-06,-6.86E-06,-6.79E-06,-6.73E-06,-6.66E-06,-6.59E-06,-6.52E-06,-6.46E-06,-6.39E-06,-6.32E-06,-6.26E-06,-6.19E-06,
-6.12E-06,-6.06E-06,-5.99E-06,-5.92E-06,-5.85E-06,-5.79E-06,-5.72E-06])
yData=ar([17763,2853,3694,4203,4614,4984,5080,7038,6905,8729,11687,13339,14667,16175,15953,15342,14340,15707,13001,10982,8867,6827,5262,4760,3869,3232,2835,2746,2552,2576])
#plot the data points
plt.plot(xData,yData,'bo',label='experimental_data')
plt.show()
#define the function we want to fit the plot into
# Define the Gaussian function
n = len(xData)
mean = sum(xData*yData)/n
sigma = np.sqrt(sum(yData*(xData-mean)**2)/n)
def Gauss(x,I0,x0,sigma,Background):
    return I0*exp(-(x-x0)**2/(2*sigma**2))+Background

popt,pcov = curve_fit(Gauss,xData,yData,p0=[1,mean,sigma, 0.0])
print(popt)
plt.plot(xData,yData,'b+:',label='data')
plt.plot(xData,Gauss(xData,*popt),'ro:',label='fit')
plt.legend()
plt.title('Gaussian_Fit')
plt.xlabel('x-axis')
plt.ylabel('PL Intensity')
plt.show()

Answer 1

计算mean和sigma时，除以sum(yData)，而不是n。

mean = sum(xData*yData)/sum(yData)
sigma = np.sqrt(sum(yData*(xData-mean)**2)/sum(yData))

原因是，比如 mean，您需要计算 yData 加权的 xData 的平均值。为此，您需要 标准化 yData 以获得总和 1，即，您需要将 xData 与 yData / sum(yData) 相乘并求和。

Answer 2

使用并删除明显不符合高斯模型的第一个点，拟合结果如下所示：

移除明显不属于拟合的 bin 可将拟合宽度降低约 20%，并将（拟合的）噪声背景比降低约 30%。平均值仅受到轻微影响。

Python 中适合高斯的最小二乘法

Least Square fit for Gaussian in Python

python

gaussian

scipy

least-squares

scipy-optimize