Scipy Curve_fit函数使用初始猜测值而不是实际拟合

Question

我是编程方面的新秀，尤其是曲线拟合方面的新秀。 但是我尝试将模型曲线拟合到使用Python和Numpy进行的一些测量中。

我成功地将“拟合”曲线绘制到一组数据中。 好吧，看起来确实如此。 事实证明，该函数仅使用初始猜测，并不尝试实际拟合曲线。 我通过对不同的数据集使用相同的初始猜测进行了测试。 结果是：

而fitParams的输出是fitCovariances （这似乎是很奇怪的值）：

[ 540.     2.5    2. ]
[[ inf  inf  inf]
 [ inf  inf  inf]
 [ inf  inf  inf]]

def fitFunc()的输出只是重复的初始猜测值。

我首先尝试了第5个数据集的脚本，这似乎还不错。 但是您可以看到，每条“拟合曲线”都是完全相同的，并且仅使用初始猜测。

这是脚本：

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

mpl.rcParams['text.usetex']=True
mpl.rcParams['text.latex.unicode']=True

#model
def fitFunc(P_max, x, x_0, w_z):
    print P_max
    print x_0
    print w_z
    return 0.5 * P_max * (1 - scipy.special.erf((scipy.sqrt(2) * (x - x_0)) / w_z))

fig = plt.figure()

#for-loop to read and curve fit for all data sets
for n in range (1,7):
    x_model = np.linspace(-1,6,5000)
    y_model = []
    x = []
    P = []
    name = 'data_' + str(n)
    with open(name + '.csv', 'rb') as f:
        data = csv.reader(f, delimiter = ';')
        for row in data:
            x.append(float(row[1]))
            P.append(float(row[2]))
        fitParams, fitCovariances = curve_fit(fitFunc, np.array(x), np.array(P), [540, 2.5, 2])
        print fitParams
        print fitCovariances

    for i in range(0, len(x_model)):
        y_model.append(fitFunc(fitParams[0], x_model[i], fitParams[1], fitParams[2]))

    ax = fig.add_subplot(2,3,n, axisbg='white')
    ax.scatter(x,P)
    ax.plot(x_model,y_model)
    ax.set_xlim([0, 6])
    ax.set_ylim([0, 600])
    ax.set_xlabel(r'\Delta x')
    ax.set_ylabel(r'P (\mu W)')

plt.tight_layout()
plt.show()

我真的找不到我做错了什么。 我希望你们能帮助我。 谢谢 ：）

注意：您可以在此处下载数据文件，以尝试使用具有相同数据的脚本。

Answer 1

您唯一的问题是fitFunc的定义。 从help(curve_fit) ：

 Parameters ---------- f : callable The model function, f(x, ...). It must take the independent variable as the first argument and the parameters to fit as separate remaining arguments. 

这意味着您必须移动x输入才能成为函数的第一个参数。 这仅影响2行：您对fitFunc的定义，

#def fitFunc(P_max, x, x_0, w_z): #original
def fitFunc(x, P_max, x_0, w_z):
    print(P_max)
    print(x_0)
    print(w_z)
    return 0.5 * P_max * (1 - scipy.special.erf((scipy.sqrt(2) * (x - x_0)) / w_z))

以及在绘制时对fitFunc的显式调用：

for i in range(0, len(x_model)):
    y_model.append(fitFunc(x_model[i], fitParams[0], fitParams[1], fitParams[2]))

结果：

我认为您和scipy都做得很好:)

效率说明：

我看不出您的fitFunc无法与向量值x输入配合使用的原因（确实如此）。 这意味着您在绘制拟合模型时可以在i保留循环，您可以说

 y_model = fitFunc(x_model, fitParams[0], fitParams[1], fitParams[2])