如何按组进行高斯拟合和 FWHM 测量？答案

【问题标题】：How to do Gaussian fit and FWHM measurement by group?如何按组进行高斯拟合和 FWHM 测量？
【发布时间】：2022-01-16 18:49:24
【问题描述】：

我有一个pandas.DataFrame 的表格。我将向您展示一个简单的示例。（实际上，它由数亿行数据组成。）。我想在按 ID 分组后测量 DIFF 的 Gaussian fit 和 FWHM。

df = 
X ID diff

1 52 11.0
12 85 -102.0
17 42 43.0
18 2 81.0
59 122 -10.0
78 21 -43.0
96 144 -6.0
101 76 -56.0
113 119 -75.0
120 82 4.0
134 83 11.0
139 39 16.0
152 12 -61.0
169 139 -124.0
170 37 26.0
173 35 -190.0
185 103 -64.0
192 122 -72.0
193 108 51.0
195 88 -30.0
199 43 -100.0
209 89 -154.0
243 32 94.0
246 138 -25.0
250 50 2.0
258 53 167.0
261 42 -23.0
272 69 -64.0
276 95 -14.0
279 25 -115.0
286 79 -65.0
288 82 2.0
332 43 213.0

“df[['ID','diff']].groupby(['ID'])”之后怎么办？
实际上，“ID”的范围是 1 到 144。
图形图像不是必需的。
我只需要结果值。
上面的例子是整体中的一些数据。

【问题讨论】：

标签： python pandas group-by curve-fitting

【解决方案1】：

试验数据集

让我们创建一个虚拟数据集来进行讨论：

import numpy as np
import pandas as pd
from scipy import stats

np.random.seed(123)

def generate_data(identifier, size=100, loc=0., scale=1.):
    return [
        {"id": identifier, "value": value}
        for value in scale*np.random.randn(size) + loc
    ]

df = pd.DataFrame(
    generate_data(1) + generate_data(2, loc=1, scale=2) + generate_data(3, loc=-1, scale=3)
)

随机样本如下所示：

     id     value
263   3 -2.750610
135   2  1.646938
285   3 -3.047614
258   3 -0.911071
154   2 -1.039310

分组和应用

解决你的问题的关键是DataFrameGroupBy对象暴露的apply方法groupby返回。

首先创建一个函数，接口如下：

以DataFame 作为输入；
实现所需的逻辑；
返回 Series 作为输出。

从你的问题陈述来看，它归结为：

def analyze(frame):
    params = stats.norm.fit(frame["value"])
    fwhm = 2*np.sqrt(2*np.log(2))*params[1]
    return pd.Series({
         "loc": params[0], "scale": params[1],
         "count": frame.shape[0], "fwhm": fwhm
    })

然后简单地应用于分组数据：

df.groupby("id").apply(analyze)

DataFrameGroupBy 将对每个分组的 DataFrame（桶）调用此函数，并返回一个新的 DataFrame，其中 Series 字段作为每个桶的列作为索引。

         loc     scale  count      fwhm
id                                     
1   0.027109  1.128240  100.0  2.656803
2   0.960929  1.940107  100.0  4.568603
3  -1.285394  2.908368  100.0  6.848684

【讨论】：