情节单个峰与Python-lmfit

配件从这段代码，我可以用“out.best_fit”，我想现在要做的打印最终契合，是画出每个峰各个高斯曲线，而不是将它们全部合并成一条曲线。情节单个峰与Python-lmfit

from pylab import * 
from lmfit import minimize, Parameters, report_errors 
from lmfit.models import GaussianModel, LinearModel, SkewedGaussianModel 
from scipy.interpolate import interp1d 
from numpy import * 

fit_data = interp1d(x_data, y_data) 

mod = LinearModel() 
pars = mod.make_params(slope=0.0, intercept=0.0) 
pars['slope'].set(vary=False) 
pars['intercept'].set(vary=False) 


x_peak = [278.35, 334.6, 375] 
y_peak = [fit_data(x) for x in x_peak] 


i = 0 
for x,y in zip(x_peak, y_peak): 
    sigma = 1.0 
    A = y*sqrt(2.0*pi)*sigma 
    prefix = 'g' + str(i) + '_' 

    peak = GaussianModel(prefix=prefix) 

    pars.update(peak.make_params(center=x, sigma=1.0, amplitude=A)) 

    pars[prefix+'center'].set(min=x-20.0, max=x+20.0) 

    pars[prefix+'amplitude'].set(min=0.0) 
    mod = mod + peak 
    i += 1 

out = mod.fit(y_data, pars, x=x_data) 

plt.figure(1) 
plt.plot(x_data, y_data) 
plt.figure(1) 
plt.plot(x_data, out.best_fit, '--')

情节全球契合：

来源

2017-02-28 TMR

什么是'x_data'和'y_data'？ – Cleb

对不起，它们只是x和y数据的两个列表。 – TMR

难道你不能从'out'得到拟合参数吗？它们必须存储在某个地方以计算拟合的y值。然后，如果您设法提取拟合参数，则可以绘制单个高斯分布。 –

我想你想你适合后，要做到这一点：一个复合模型将返回

components = out.eval_components(x=x_data) 
for model_name, model_value in components.items(): 
    plt.plot(x_data, model_value) 

# or more simply, if you prefer: 
plt.plot(x_data, components['g0_']) 
plt.plot(x_data, components['g1_']) 
...

也就是说，ModelResult.eval_components()包含作为组件模型的前缀的键的字典以及作为该组件的计算模型的值。

来源

2017-02-28 22:10:01

谢谢M纽维尔，那就是我一直在寻找的。但是，我不是专家，但我认为你的建议不适用于我的代码，因为我正在使用内置模型。无论如何，我需要适应我自己的模型，所以我必须使用Model类，然后我想我可以使用您的解决方案。 – TMR

ModelResult.eval_components（）应该适用于任何复合模型，包括那些使用内建模型的复合模型。 –

情节单个峰与Python-lmfit

回答

相关问题