Question

我正在使用scipy编写一个Python程序（scipy.optimize.curve_fit）。我必须在数据集上拟合多条曲线，然后将它们相加。第一步是找到所有最大值，这样就完成了。将至少有一个，但通常更多。我想概括如下的内容。

if (len(Maxima) == 1):
    f = lambda a, b, c : a * exp((b * x) + c)
else if (len(Maxima) == 2):
    f = lambda a, b, c, d, e, f : (a * exp((b * x) + c)) + (d * exp((e * x) + f)

等等。我需要它，所以curve_fit会识别出有（3 * Maxima）参数，然后它会为我找到它们。最多可能有20条曲线，所以做上述说法是不切实际的。

任何帮助都将不胜感激。

感谢。

编辑：对不起，我错过了该函数依赖于最大值。它实际上是一个集中在每个最大值上的高斯分布。

即。一个术语实际上是

f = (a * (Gamma ** 2) / (((E - Maxima[i])**2) + (b**2)))

E是args必须从的开始的独立变量。

例如，

len(Maxima) == 2

args必须是，

E, a0, b0, Maxima[0], a1, b1, Maxima[1]

抱歉我的错误。

EDIT2：

我在想这样的事情：

GaussianDistribution = lambda E, E0, I0, Sigma : (I0 * np.exp(-(((E - E0) / Sigma)**2)))
args = tuple([long] * ((len(Maxima) * 3) + 1))
d1, d2 = sc.curve_fit(GaussianDistribution(*args), Data[:, 0], Data[:, 1])

Answer 1

您可以使用arbitrary argument lists创建一个使用任意数量参数的lambda函数。然后，您可以使用列表推导来一次获取三个参数，对它们执行操作，然后对结果求和。

f = lambda *args: sum(args[i] * exp((args[i+1]*x)+args[i+2]) for i in range(0, len(args)-3, 3))

Answer 2

如果我认为这是正确的，你应该可以使用一个lambda：

f = lambda a, b, c : a * exp((b * x) + c)

然后

result = sum(f(a, b, c) for a, b, c in maxima)

如果maxima的格式为

maxima = [(1, 2, 3), (4, 5, 6), (7, 9, 8)]

（我猜）。

更改Lambda的变量

2 个答案: