python 双高斯拟合

Python中可以使用scipy.optimize.curve_fit函数进行双高斯拟合。具体步骤如下：

1. 导入必要的库：

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

2. 定义双高斯函数：

def bimodal(x, amp1, cen1, sig1, amp2, cen2, sig2):
    return amp1 * np.exp(-(x - cen1)**2 / (2 * sig1**2)) + amp2 * np.exp(-(x - cen2)**2 / (2 * sig2**2))

3. 准备数据：

x_data = np.linspace(0, 10, 1000)
y_data = bimodal(x_data, 1, 5, 1, 0.5, 7, 1.5) + np.random.normal(0, 0.1, 1000)

4. 进行拟合：

popt, pcov = curve_fit(bimodal, x_data, y_data, p0=[1, 5, 1, 0.5, 7, 1.5])

其中，p0为拟合函数的初始参数值。

5. 绘制拟合曲线：

plt.plot(x_data, y_data, 'b-', label='data')
plt.plot(x_data, bimodal(x_data, *popt), 'r-', label='fit')
plt.legend()
plt.show()

其中，*popt表示将popt中的元素拆分成单个参数传递给函数。

完整代码如下：

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

def bimodal(x, amp1, cen1, sig1, amp2, cen2, sig2):
    return amp1 * np.exp(-(x - cen1)**2 / (2 * sig1**2)) + amp2 * np.exp(-(x - cen2)**2 / (2 * sig2**2))

x_data = np.linspace(0, 10, 1000)
y_data = bimodal(x_data, 1, 5, 1, 0.5, 7, 1.5) + np.random.normal(0, 0.1, 1000)

popt, pcov = curve_fit(bimodal, x_data, y_data, p0=[1, 5, 1, 0.5, 7, 1.5])

plt.plot(x_data, y_data, 'b-', label='data')
plt.plot(x_data, bimodal(x_data, *popt), 'r-', label='fit')
plt.legend()
plt.show()

运行结果如下图所示：


可以看出，拟合结果与原始数据较为吻合。