python中lmfit库的多峰曲线拟合

第一列是x值，第二列是y值，第三列是y-error。我想拟合数据。我遵循的示例来自，我的代码是-

import matplotlib.pyplot as plt
import numpy as np

from lmfit.models import ExponentialModel, GaussianModel


file='sample-data.txt'
dat = np.loadtxt(file)
x = dat[:, 0]
y = dat[:, 1]



exp_mod = ExponentialModel(prefix='exp_')
pars = exp_mod.guess(y, x=x)

gauss1 = GaussianModel(prefix='g1_')
pars.update(gauss1.make_params())

pars['g1_center'].set(value=105000, min=75000, max=125000)
pars['g1_sigma'].set(value=150000, min=30000)
pars['g1_amplitude'].set(value=2000000, min=100000)

gauss2 = GaussianModel(prefix='g2_')
pars.update(gauss2.make_params())

pars['g2_center'].set(value=155000, min=125000, max=175000)
pars['g2_sigma'].set(value=150000, min=30000)
pars['g2_amplitude'].set(value=2000000, min=100000)

mod = gauss1 + gauss2 + exp_mod

init = mod.eval(pars, x=x)
out = mod.fit(y, pars, x=x)

print(out.fit_report(min_correl=0.5))

fig, axes = plt.subplots(1, 2, figsize=(12.8, 4.8))
axes[0].plot(x, y, 'b')
axes[0].plot(x, init, 'k--', label='initial fit')
axes[0].plot(x, out.best_fit, 'r-', label='best fit')
axes[0].legend(loc='best')

comps = out.eval_components(x=x)
axes[1].plot(x, y, 'b')
axes[1].plot(x, comps['g1_'], 'g--', label='Gaussian component 1')
axes[1].plot(x, comps['g2_'], 'm--', label='Gaussian component 2')
axes[1].plot(x, comps['exp_'], 'k--', label='Exponential component')
axes[1].legend(loc='best')

plt.show()

该代码给出了以下曲线图（拟合不起作用）-

我期待着这样的事情-

有人能帮我把数据拟合到绘图中吗

在该值中，手动定义了中心、σ和振幅的最小值、最大值。有没有办法从数据文件中获取/计算这些值

更新

我试着在评论中使用@mikuszefski的建议。但它也能像图中显示的那样拾取所有的小峰值（噪音）。

有没有办法只为较大的峰值选择值？

您确实必须（“必须”、“必须”、“在任何情况下都必须”、“绝对”）为所有参数提供合理、有限和合理的初始值

当你说

pars['g1_center'].set(value=105000, min=75000, max=125000)
pars['g1_sigma'].set(value=150000, min=30000)
pars['g1_amplitude'].set(value=2000000, min=100000)

gauss2 = GaussianModel(prefix='g2_')
pars.update(gauss2.make_params())

pars['g2_center'].set(value=155000, min=125000, max=175000)
pars['g2_sigma'].set(value=150000, min=30000)
pars['g2_amplitude'].set(value=2000000, min=100000)

您（字面意思是“字面意思”）告诉程序高斯#1应该以105000的中心值开始，并且在任何情况下都不能超过[75000，125000]

您提供的数据和曲线图显示，您感兴趣的两个峰值出现在

x

值约为1.4和1.5

所以，中心的值约为1，您告诉它该值约为10^5，不能低于75000。在这些限制条件下，这是最合适的。程序运行没有错误或问题，你得到了你想要的东西

同样，对于非线性最小二乘问题和曲线拟合，初始值总是很重要的。在任何情况下，它们都是无关紧要的

也就是说，使用mikuszefski建议的峰值查找算法是一个不错的选择

---

旁白：边界应主要用于约束逻辑/物理。例如，可以合理地说振幅应该是正的。一般来说，高斯（或者，可能是你的数据）并没有内在的要求质心值74999是非感官的。因此，不要从这样的界限开始。开始时不要限制，尽可能简单。只有在需要的时候才添加这种复杂性。

尝试使用pythons获取起始参数。@mikuszefski，谢谢你的建议。但是发现_峰值也会拾取噪声值（参见更新）。是否有办法仅获取较大峰值的值？请尝试使用

高度

和/或

阈值

kwarg。谢谢你的解释。现在的问题是，我必须处理另外50个类似的数据集，每个数据集可能有不同的中心/峰值。为每一个提供这些值需要很长时间。有没有办法让代码从数据集中理解这些值？当你说“需要很长时间”时，你的意思是“与得到明显没有意义的结果相比”？因为，不，可能不会。质心的猜测不需要很好，只需要“在范围内”。如果你有两个明显重叠的峰（嗯…），你可能需要注意保持它们分开。但是，从“峰值查找可以自动进行吗？”，上面的评论已经暗示了如何做到这一点：查看

scipy.signal.find\u peaks

和/或

scipy.signal.find\u peaks\u cwt

。