用Python拟合指数修正高斯曲线

我有一个数据集和这些数据的核密度估计。我相信KDE应该由一个很好的函数来描述，所以我尝试从KDE中取样，并将这些样本与该类型的函数相匹配。但是，当我尝试使用scipy.optimize.curve_fit进行拟合时，我的拟合与数据完全不匹配。我的代码是

import scipy.special as sse
from scipy.optimize import curve_fit

def fit_func(x, l, s, m):
    return 0.5*l*n.exp(0.5*l*(2*m+l*s*s-2*x))*sse.erfc((m+l*s*s-x)/(n.sqrt(2)*s)) # exponential gaussian

popt, pcov = curve_fit(fit_func, n.linspace(0,1,100), data)

我的“数据集”（来自我的KDE采样）是

这是我真实数据的柱状图，红色的KDE，黑色的KDE-

---

指数修正高斯分布被定义为向左倾斜分布，因此，形状参数不会改变该倾斜的方向

这就是我尝试过的

    data.reverse()
    popt,pcov=(curve_fit(fit_func, n.linspace(0,1,100), data))
    fitted_curve=list(fit_func(n.linspace(0,1,100),popt[0],popt[1],popt[2]))
    data.reverse()
    fitted_curve.reverse()

---

您可以通过重新定义x来更改尾部的方向：

exponnorm.pdf(x, K, mu, sigma) 

可以重写为

exponnorm.pdf((x-mu)/sigma, K)

如果你想反转，使尾巴在左边，只需使用

exponnorm.pdf(-(x-mu)/sigma, K)

---

你看过scipy.stats.exponnorm吗？它有一个

fit

方法将分布拟合到数据集。

exponnorm.pdf(-(x-mu)/sigma, K)