[英]Fitting Gaussian curve to data in python
我正在尝试拟合并绘制一些给定数据的高斯曲线。 这是我到目前为止:
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
# Generate data
mu, sigma = 0, 0.1
y, xe = np.histogram(np.random.normal(mu, sigma, 1000))
x = .5 * (xe[:-1] + xe[1:])
def gauss (x, y):
p = [x0, y0, sigma]
return p[0] * np.exp(-(x-p[1])**2 / (2 * p[2]**2))
p0 = [1., 1., 1.]
fit = curve_fit(gauss, x, y, p0=p0)
plt.plot(gauss(x, y))
plt.show()
当我运行代码时,我收到此错误:
TypeError: gauss() takes exactly 2 arguments (4 given)
我不明白我在哪里给了我的函数4个参数。 我也不相信我正在使用曲线功能,但我不确定我做错了什么。 任何帮助,将不胜感激。
这是追溯:
Traceback (most recent call last):
File "F:\Numerical methods\rw893 final assignment.py", line 21, in <module>
fitE, fitI = curve_fit(gauss, x, y, p0=p0)
File "F:\Portable Python 2.7.5.1\App\lib\site-packages\scipy\optimize\minpack.py", line 515, in curve_fit
res = leastsq(func, p0, args=args, full_output=1, **kw)
File "F:\Portable Python 2.7.5.1\App\lib\site-packages\scipy\optimize\minpack.py", line 354, in leastsq
shape, dtype = _check_func('leastsq', 'func', func, x0, args, n)
File "F:\Portable Python 2.7.5.1\App\lib\site-packages\scipy\optimize\minpack.py", line 17, in _check_func
res = atleast_1d(thefunc(*((x0[:numinputs],) + args)))
File "F:\Portable Python 2.7.5.1\App\lib\site-packages\scipy\optimize\minpack.py", line 427, in _general_function
return function(xdata, *params) - ydata
TypeError: gauss() takes exactly 2 arguments (4 given)
检查第一个scipy文档docs.scipy.org/doc/scipy-0.13.0/reference/generated/scipy.optimize.curve_fit.html :
scipy.optimize.curve_fit
scipy.optimize.curve_fit(f,xdata,ydata,p0 = None,sigma = None,** kw)
Use non-linear least squares to fit a function, f, to data. Assumes ydata = f(xdata, *params) + eps
要安装的功能应该只采用标量 ( 不是 : *p0
)。 我想提醒您,在调用curve_fit
期间,您将初始化参数x0
, y0
, sigma
curve_fit
给函数gauss
。 你调用初始化p0 = [x0, y0, sigma]
。
函数gauss
返回值y = y0 * np.exp(-((x - x0) / sigma)**2)
。 因此,输入值必须是x
, x0
, y0
, sigma
。 第一个参数x
是您知道的数据以及函数y
的结果。 后面的三个参数将被拟合 - 您将它们作为初始化参数交给它们。
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
# Create data:
x0, sigma = 0, 0.1
y, xe = np.histogram(np.random.normal(x0, sigma, 1000))
x = .5 * (xe[:-1] + xe[1:])
# Function to be fitted
def gauss(x, x0, y0, sigma):
p = [x0, y0, sigma]
return p[1]* np.exp(-((x-p[0])/p[2])**2)
# Initialization parameters
p0 = [1., 1., 1.]
# Fit the data with the function
fit, tmp = curve_fit(gauss, x, y, p0=p0)
# Plot the results
plt.title('Fit parameters:\n x0=%.2e y0=%.2e sigma=%.2e' % (fit[0], fit[1], fit[2]))
# Data
plt.plot(x, y, 'r--')
# Fitted function
x_fine = np.linspace(xe[0], xe[-1], 100)
plt.plot(x_fine, gauss(x_fine, fit[0], fit[1], fit[2]), 'b-')
plt.savefig('Gaussian_fit.png')
plt.show()
可能你的回调是在curve_fit
中用不同数量的参数调用的。 看一下它所说的文档 :
模型函数f(x,...)。 它必须将自变量作为第一个参数,并将参数作为单独的剩余参数。
为了确保这一点,你可能想在第一个参数之后取*args
并查看你得到的结果。
from numpy import loadtxt
import numpy as np
from scipy import *
from matplotlib import *
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
def func(x, a, b, c, d, x0):
return a*np.exp(-(x-x0)**2/(2*d**2)) + c
x = np.linspace(0,4,50)
y = func(x, 2.5, 1.3, 0.5, 1.0, 2.0)
yn = y + 0.2*np.random.normal(size=len(x))
p = [1,1,1,1,1]
popt, pcov = curve_fit(func, x, yn, p0=p)
plt.plot(x,func(x,popt[0],popt[1],popt[2],popt[3],popt[4]))
plt.plot(x,yn,'r+')
plt.show()
这应该有所帮助。 这也可以扩展到3d高斯,然后输入数组'x'应该是(x,y)值的k维数组,'yn'应该是z值。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.