我得到了一个数组，当我绘制它时，我得到一个带有一些噪音的高斯形状。我想拟合高斯。这是我已经拥有的，但是当我绘制它时，我没有得到拟合的高斯，而是得到一条直线。我已经尝试了很多不同的方法，但我就是想不通。
random_sample=norm.rvs(h)
parameters = norm.fit(h)
fitted_pdf = norm.pdf(f, loc = parameters[0], scale = parameters[1])
normal_pdf = norm.pdf(f)
plt.plot(f,fitted_pdf,"green")
plt.plot(f, normal_pdf, "red")
plt.plot(f,h)
plt.show()
【问题讨论】：
标签： python scipy curve-fitting gaussian
您可以从scipy.stats.norm 中使用fit，如下所示：
import numpy as np
from scipy.stats import norm
import matplotlib.pyplot as plt
data = np.random.normal(loc=5.0, scale=2.0, size=1000)
mean,std=norm.fit(data)
norm.fit 尝试根据数据拟合正态分布的参数。事实上，在上面的例子中，mean 大约是 5，std 大约是 2。
为了绘制它，你可以这样做：
plt.hist(data, bins=30, density=True)
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
y = norm.pdf(x, mean, std)
plt.plot(x, y)
plt.show()
蓝色框是您数据的直方图，绿线是带有拟合参数的高斯。
【讨论】：
有很多方法可以将高斯函数拟合到数据集。我在拟合数据时经常使用 astropy，这就是为什么我想将其添加为附加答案。
我使用了一些应该模拟带有一些噪声的高斯的数据集：
import numpy as np
from astropy import modeling
m = modeling.models.Gaussian1D(amplitude=10, mean=30, stddev=5)
x = np.linspace(0, 100, 2000)
data = m(x)
data = data + np.sqrt(data) * np.random.random(x.size) - 0.5
data -= data.min()
plt.plot(x, data)
然后拟合它实际上很简单，你指定一个你想要拟合数据的模型和一个拟合器：
fitter = modeling.fitting.LevMarLSQFitter()
model = modeling.models.Gaussian1D() # depending on the data you need to give some initial values
fitted_model = fitter(model, x, data)
并绘制：
plt.plot(x, data)
plt.plot(x, fitted_model(x))
不过你也可以只使用 Scipy，但你必须自己定义函数：
from scipy import optimize
def gaussian(x, amplitude, mean, stddev):
return amplitude * np.exp(-((x - mean) / 4 / stddev)**2)
popt, _ = optimize.curve_fit(gaussian, x, data)
这会返回适合的最佳参数，您可以像这样绘制它：
plt.plot(x, data)
plt.plot(x, gaussian(x, *popt))
【讨论】：