Python lmfit指数模型()的使用
尝试从Python lmfit指数模型()的使用,python,curve-fitting,lmfit,Python,Curve Fitting,Lmfit,尝试从lmfit拟合ExponentialGaussianModel(),但收到以下错误消息:输入包含nan值 我正在windows上使用Jupyternotebook,我对python和lmfit还不熟悉。我发现lmfit文档对于初学者来说有点晦涩难懂,希望能在这里找到帮助。下面是我的代码:我想生成一个指数高斯直方图,提取数据点并使用lmfit库练习拟合。(我想练习拟合并找到最少数量的点,以再现用于生成直方图的参数) 我得到的错误是存在nan输入值。我期待着手册中所示的报告。在lmfit中使用
lmfit
拟合ExponentialGaussianModel()
,但收到以下错误消息:输入包含nan值
我正在windows上使用Jupyternotebook,我对python和lmfit还不熟悉。我发现lmfit文档对于初学者来说有点晦涩难懂,希望能在这里找到帮助。下面是我的代码:我想生成一个指数高斯直方图,提取数据点并使用lmfit
库练习拟合。(我想练习拟合并找到最少数量的点,以再现用于生成直方图的参数)
我得到的错误是存在nan输入值。我期待着手册中所示的报告。在
lmfit
中使用的指数高斯定义来自。
指数项为
exp[center*gamma+(gamma*sigma)**2/2-gamma*x]
对于sigma
和gamma
和/或center
的较大ish值,这会产生Inf
。我相信您正在获得这样的Inf
值,这就是您看到的NaN
消息的原因。拟合例程(在Fortran中)不能优雅地处理NaN
或Inf
(实际上是“根本”)。这是该特定模型的一个实际限制。你会看到维基百科页面上的示例都有x
值,它们比200
更接近1
,并且gamma
和sigma
也是1的顺序,而不是大约50,这是自动化的猜测所给出的
我认为指数修正高斯函数的一个更简单的定义更适合你。与
def expgaussian(x, amplitude=1, center=0, sigma=1.0, gamma=1.0):
""" an alternative exponentially modified Gaussian."""
dx = center-x
return amplitude* np.exp(gamma*dx) * erfc( dx/(np.sqrt(2)*sigma))
虽然参数的含义发生了一些变化,但您将得到一个合适的拟合,并且您需要显式地给出起始值,而不是依赖于guess()
过程。这些不一定离得很近,只是离得不远
完整脚本可能是:
import numpy as np
from scipy.stats import exponnorm
from scipy.special import erfc
from lmfit import Model
import matplotlib.pyplot as plt
def expgaussian(x, amplitude=1, center=0, sigma=1.0, gamma=1.0):
""" an alternative exponentially modified Gaussian."""
dx = center-x
return amplitude* np.exp(gamma*dx) * erfc( dx/(np.sqrt(2)*sigma))
K2 = 1.5
r2 = exponnorm.rvs(K2, size=500, loc = 205, scale = 40)
Q = np.histogram(r2,500)
exp_gaus_x = Q[1]
exp_gaus_y = Q[0]
tof_x = exp_gaus_x[1:]
tof_y = exp_gaus_y
mod = Model(expgaussian)
pars = mod.make_params(sigma=20, gamma=0.1, amplitude=2, center=250)
out = mod.fit(tof_y, pars, x=tof_x)
print(out.fit_report())
plt.plot(tof_x, tof_y, label='data')
plt.plot(tof_x, out.best_fit, label='fit')
plt.legend()
plt.show()
哪个会打印出来
[[Model]]
Model(expgaussian)
[[Fit Statistics]]
# fitting method = leastsq
# function evals = 65
# data points = 500
# variables = 4
chi-square = 487.546692
reduced chi-square = 0.98295704
Akaike info crit = -4.61101662
Bayesian info crit = 12.2474158
[[Variables]]
gamma: 0.01664876 +/- 0.00239048 (14.36%) (init = 0.1)
sigma: 39.6914678 +/- 3.90960254 (9.85%) (init = 20)
center: 235.600396 +/- 11.8976560 (5.05%) (init = 250)
amplitude: 3.43975318 +/- 0.15675053 (4.56%) (init = 2)
[[Correlations]] (unreported correlations are < 0.100)
C(gamma, center) = 0.930
C(sigma, center) = 0.870
C(gamma, amplitude) = 0.712
C(gamma, sigma) = 0.693
C(center, amplitude) = 0.572
C(sigma, amplitude) = 0.285
[[Model]]
模型(扩展高斯)
[[Fit统计数据]]
#拟合方法=最小二乘法
#函数evals=65
#数据点=500
#变量=4
卡方检验=487.546692
缩减卡方检验=0.98295704
Akaike信息临界值=-4.61101662
贝叶斯信息临界值=12.2474158
[[变量]]
伽马:0.01664876+/-0.00239048(14.36%)(初始值=0.1)
西格玛:39.6914678+/-3.90960254(9.85%)(初始值=20)
中心:235.600396+/-11.8976560(5.05%)(初始值=250)
振幅:3.43975318+/-0.15675053(4.56%)(初始值=2)
[[相关性]](未报告的相关性<0.100)
C(伽马,中心)=0.930
C(西格玛,中心)=0.870
C(伽马,振幅)=0.712
C(伽马,西格玛)=0.693
C(中心,振幅)=0.572
C(σ,振幅)=0.285
并显示一个类似于
希望能有所帮助。@M Newville:我假设上述拟合中的gamma表示tau=1/gamma,对吗;而tau是指数弛豫时间?
[[Model]]
Model(expgaussian)
[[Fit Statistics]]
# fitting method = leastsq
# function evals = 65
# data points = 500
# variables = 4
chi-square = 487.546692
reduced chi-square = 0.98295704
Akaike info crit = -4.61101662
Bayesian info crit = 12.2474158
[[Variables]]
gamma: 0.01664876 +/- 0.00239048 (14.36%) (init = 0.1)
sigma: 39.6914678 +/- 3.90960254 (9.85%) (init = 20)
center: 235.600396 +/- 11.8976560 (5.05%) (init = 250)
amplitude: 3.43975318 +/- 0.15675053 (4.56%) (init = 2)
[[Correlations]] (unreported correlations are < 0.100)
C(gamma, center) = 0.930
C(sigma, center) = 0.870
C(gamma, amplitude) = 0.712
C(gamma, sigma) = 0.693
C(center, amplitude) = 0.572
C(sigma, amplitude) = 0.285