如何在python和scipy中适应这些数据？

我有如下所示的一些函数，即一些锥形/衰减振荡

我想使用。我之前问过一个与scipy拟合函数相关的问题，并强调了拟合参数值初始猜测的重要性

然而，我正在努力适应一种既能捕捉振荡又能捕捉衰减的方式。我的做法如下：

from scipy.optimize import curve_fit 
import numpy as np


def Fit(x,y):

    #Define the function fit
    func = ansatz

    #Define the initial guess of parameters

    mag = (y.max() + y.min()) / 2
    y_shifted = y - mag
    omega_guess = np.pi * np.sum(y_shifted[:-1] * y_shifted[1:] < 0) / (x.max() - x.min())
    lam = np.log(2) / 1e7 #Rough guess based on approximate half life 

    p0 = (mag,mag, omega_guess,mag,lam)

    #Do the fit
    popt, pcov = curve_fit(func, x,y,p0=p0)


    # return 

    return func(x, *popt)




def ansatz(x,A,B,omega,offset,lam):
    osc = A*np.sin(omega*x) + B*np.cos(omega*x) 
    linear = offset
    decay = np.exp(-x*lam)

    return  decay*osc + linear



data = np.load('example.npy')
x = data[:,0]
y = data[:,1]

yFit = Fit(x,y)

来自scipy.optimize import curve\u fit的

将numpy作为np导入
def配合（x，y）：
#定义函数拟合
func=ansatz
#定义参数的初始猜测
磁极=（y.max（）+y.min（））/2
y_移位=y-mag
omega_guess=np.pi*np.sum（y_移位[：-1]*y_移位[1::<0）/（x.max（）-x.min（））
lam=np.log（2）/1e7#基于近似半衰期的粗略猜测
p0=（mag，mag，omega_猜，mag，lam）
#合身
popt，pcov=曲线拟合（func，x，y，p0=p0）
#返回
返回函数（x，*popt）
def ansatz（x，A，B，ω，偏移量，lam）：
osc=A*np.sin（ω*x）+B*np.cos（ω*x）
线性=偏移
衰减=np.exp（-x*lam）
返回衰减*osc+线性
data=np.load（'example.npy'）
x=数据[：，0]
y=数据[：，1]
yFit=配合（x，y）

---

这种方法捕捉衰减，但不捕捉振荡。我的方法有什么错误？猜测拟合参数？安萨茨函数？代码实现

你可以让succeive fit找到一个好的初始猜测。首先拟合偏移量，然后去除它，然后拟合指数并去除它，然后只拟合振荡。你可以通过成功拟合来找到初始值，这是一个很好的初始猜测。首先拟合偏移量，然后删除它，然后拟合指数并删除它，然后只拟合振荡。