python高斯分布拟合

在Python中，可以使用SciPy库中的`curve_fit`函数来拟合高斯分布。

首先，需要导入所需的库：

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

然后，我们定义高斯分布函数：

def gaussian(x, a, x0, sigma):
    return a*np.exp(-(x-x0)**2/(2*sigma**2))

其中，`a`是高斯分布的峰值，`x0`是高斯分布的中心，`sigma`是高斯分布的标准差。

接下来，我们生成一些数据，并将其拟合到高斯分布函数上：

# 生成随机数据
xdata = np.linspace(-5, 5, 100)
y = gaussian(xdata, 1, 0, 1)
ydata = y + 0.2*np.random.normal(size=len(xdata))

# 拟合数据
popt, pcov = curve_fit(gaussian, xdata, ydata, p0=[1, 0, 1])

# 输出拟合结果
print('a =', popt[0])
print('x0 =', popt[1])
print('sigma =', popt[2])

# 绘制拟合结果
plt.plot(xdata, ydata, 'b-', label='data')
plt.plot(xdata, gaussian(xdata, *popt), 'r-', label='fit')
plt.legend()
plt.show()

在这里，我们使用`p0`参数来指定初始猜测值，这有助于提高拟合的精度。拟合结果会输出高斯分布函数的参数，以及绘制拟合结果的图像。

注意，拟合过程可能会失败，如果出现`OptimizeWarning`或`RuntimeWarning`等警告信息，可以尝试调整初始猜测值或使用其他拟合方法。