三项高斯拟合pyROOT中的数据
我尝试使用以下代码将三项高斯函数拟合为数据：
import ROOT
#from ROOT import TF1
import numpy as np
data = np.loadtxt('V_lambda_n.dat')
r = data[:, 0]
V = data[:, 1]
graph = ROOT.TGraph()
for i in range(len(V)):
graph.SetPoint(i, r[i], V[i])
def myfunc(x, p):
return p[0]*np.exp(-(x/p[1])**2) + p[1]*np.exp(-(x/p[2])**2) + p[2]*np.exp(-(x/p[3])**2)
func=ROOT.TF1("func", myfunc, 0.0e-15,4e-15, 4)
func.SetParameters(-1.0, -1.0, 1.0, 1.0)
graph.Fit(func)
canvas = ROOT.TCanvas("name", "title", 1024, 768)
graph.GetXaxis().SetTitle("r") # set x-axis title
graph.GetYaxis().SetTitle("V") # set y-axis title
graph.Draw("AP")
我收到以下错误：
TypeError: none of the 2 overloaded methods succeeded. Full details:
TFitResultPtr TGraph::Fit(const char* formula, const char* option = "", const char* goption = "", double xmin = 0, double xmax = 0) =>
could not convert argument 1 (expected string or Unicode object, TF1 found)
TFitResultPtr TGraph::Fit(TF1* f1, const char* option = "", const char* goption = "", double xmin = 0, double xmax = 0) =>
TFN python function call failed (C++ exception of type runtime_error)
我该如何解决此错误？它似乎在抱怨类对象＆＃34; func＆＃34;。这是数据
r V
0.1700 192.8424
0.1800 168.5586
0.1900 147.4645
0.2000 128.8915
0.2100 112.3266
0.2200 97.3737
0.2300 83.7266
0.2400 71.1502
0.2500 59.4669
0.2600 48.5469
0.2700 38.3009
0.2800 28.6740
0.2900 19.6411
0.3000 11.2018
0.3100 3.3759
0.3200 -3.8022
0.3300 -10.2887
0.3400 -16.0363
0.3500 -21.0003
0.3600 -25.1442
0.3700 -28.4448
0.3800 -30.8960
0.3900 -32.5114
0.4000 -33.3251
0.4100 -33.3908
0.4200 -32.7797
0.4300 -31.5765
0.4400 -29.8754
0.4500 -27.7754
0.4600 -25.3755
0.4700 -22.7709
0.4800 -20.0496
0.4900 -17.2902
0.5000 -14.5601
0.5100 -11.9151
0.5200 -9.3994
0.5300 -7.0462
0.5400 -4.8785
0.5500 -2.9108
0.5600 -1.1499
0.5700 0.4033
0.5800 1.7530
0.5900 2.9069
0.6000 3.8756
0.6100 4.6715
0.6200 5.3081
0.6300 5.7995
0.6400 6.1599
0.6500 6.4034
0.6600 6.5436
0.6700 6.5934
0.6800 6.5651
0.6900 6.4700
0.7000 6.3186
0.7100 6.1206
0.7200 5.8847
0.7300 5.6189
0.7400 5.3303
0.7500 5.0252
0.7600 4.7092
0.7700 4.3874
0.7800 4.0639
0.7900 3.7426
0.8000 3.4266
0.8100 3.1185
0.8200 2.8207
0.8300 2.5348
0.8400 2.2624
0.8500 2.0046
0.8600 1.7620
0.8700 1.5352
0.8800 1.3245
0.8900 1.1298
0.9000 0.9512
0.9100 0.7882
0.9200 0.6405
0.9300 0.5076
0.9400 0.3887
0.9500 0.2832
0.9600 0.1904
0.9700 0.1094
0.9800 0.0395
0.9900 -0.0202
1.0000 -0.0705
1.0100 -0.1122
1.0200 -0.1460
1.0300 -0.1729
1.0400 -0.1934
1.0500 -0.2083
1.0600 -0.2183
1.0700 -0.2240
1.0800 -0.2260
1.0900 -0.2248
1.1000 -0.2209
1.1100 -0.2148
1.1200 -0.2068
1.1300 -0.1974
1.1400 -0.1869
1.1500 -0.1755
1.1600 -0.1636
1.1700 -0.1514
1.1800 -0.1390
1.1900 -0.1266
1.2000 -0.1144
1.2100 -0.1024
1.2200 -0.0909
1.2300 -0.0798
1.2400 -0.0692
1.2500 -0.0592
1.2600 -0.0498
1.2700 -0.0410
1.2800 -0.0328
1.2900 -0.0252
1.3000 -0.0183
1.3100 -0.0120
1.3200 -0.0062
1.3300 -0.0010
1.3400 0.0037
1.3500 0.0078
1.3600 0.0115
1.3700 0.0147
1.3800 0.0175
1.3900 0.0199
1.4000 0.0219
1.4100 0.0236
1.4200 0.0250
1.4300 0.0262
1.4400 0.0270
1.4500 0.0277
1.4600 0.0281
1.4700 0.0284
1.4800 0.0285
1.4900 0.0285
1.5000 0.0284
1.5100 0.0281
1.5200 0.0278
1.5300 0.0273
1.5400 0.0269
1.5500 0.0263
1.5600 0.0258
1.5700 0.0251
1.5800 0.0245
1.5900 0.0239
1.6000 0.0232
1.6100 0.0225
1.6200 0.0219
1.6300 0.0212
1.6400 0.0205
1.6500 0.0199
1.6600 0.0192
1.6700 0.0186
1.6800 0.0180
1.6900 0.0174
1.7000 0.0168
1.7100 0.0162
1.7200 0.0157
1.7300 0.0152
1.7400 0.0147
1.7500 0.0142
1.7600 0.0137
1.7700 0.0133
1.7800 0.0128
1.7900 0.0124
1.8000 0.0120
1.8100 0.0116
1.8200 0.0113
1.8300 0.0109
1.8400 0.0106
1.8500 0.0103
1.8600 0.0099
1.8700 0.0096
1.8800 0.0094
1.8900 0.0091
1.9000 0.0088
1.9100 0.0086
1.9200 0.0083
1.9300 0.0081
1.9400 0.0079
1.9500 0.0076
1.9600 0.0074
1.9700 0.0072
1.9800 0.0070
1.9900 0.0068
2.0000 0.0066
2.0100 0.0065
2.0200 0.0063
2.0300 0.0061
2.0400 0.0060
2.0500 0.0058
2.0600 0.0057
2.0700 0.0055
2.0800 0.0054
2.0900 0.0052
2.1000 0.0051
2.1100 0.0050
2.1200 0.0048
2.1300 0.0047
2.1400 0.0046
2.1500 0.0045
2.1600 0.0043
2.1700 0.0042
2.1800 0.0041
2.1900 0.0040
2.2000 0.0039
2.2100 0.0038
2.2200 0.0037
2.2300 0.0036
2.2400 0.0035
2.2500 0.0034
2.2600 0.0033
2.2700 0.0033
2.2800 0.0032
2.2900 0.0031
2.3000 0.0030
2.3100 0.0029
2.3200 0.0029
2.3300 0.0028
2.3400 0.0027
2.3500 0.0026
2.3600 0.0026
2.3700 0.0025
2.3800 0.0024
2.3900 0.0023
2.4000 0.0023
2.4100 0.0022
2.4200 0.0021
2.4300 0.0021
2.4400 0.0020
2.4500 0.0019
2.4600 0.0019
2.4700 0.0018
2.4800 0.0017
2.4900 0.0017
2.5000 0.0016
2.5100 0.0016
2.5200 0.0015
2.5300 0.0014
2.5400 0.0014
2.5500 0.0013
2.5600 0.0013
2.5700 0.0012
2.5800 0.0011
2.5900 0.0011
2.6000 0.0010
2.6100 0.0010
2.6200 0.0009
2.6300 0.0009
2.6400 0.0008
2.6500 0.0007
2.6600 0.0007
2.6700 0.0006
2.6800 0.0006
2.6900 0.0005
2.7000 0.0005
2.7100 0.0004
2.7200 0.0004
2.7300 0.0003
2.7400 0.0003
2.7500 0.0003
2.7600 0.0002
2.7700 0.0002
2.7800 0.0001
2.7900 0.0001
2.8000 0.0001
2.8100 0.0000
2.8200 -0.0000
2.8300 -0.0001
2.8400 -0.0001
2.8500 -0.0001
2.8600 -0.0001
2.8700 -0.0002
2.8800 -0.0002
2.8900 -0.0002
2.9000 -0.0002
2.9100 -0.0003
2.9200 -0.0003
2.9300 -0.0003
2.9400 -0.0003
2.9500 -0.0004
2.9600 -0.0004
2.9700 -0.0004
2.9800 -0.0004
2.9900 -0.0004
3.0000 -0.0004
3.0100 -0.0004
3.0200 -0.0004
3.0300 -0.0005
3.0400 -0.0005
3.0500 -0.0005
3.0600 -0.0005
3.0700 -0.0005
3.0800 -0.0005
3.0900 -0.0005
3.1000 -0.0005
3.1100 -0.0005
3.1200 -0.0005
3.1300 -0.0005
3.1400 -0.0005
3.1500 -0.0005
3.1600 -0.0006
3.1700 -0.0006
3.1800 -0.0006
3.1900 -0.0006
3.2000 -0.0006
3.2100 -0.0006
3.2200 -0.0006
3.2300 -0.0006
3.2400 -0.0006
3.2500 -0.0006
3.2600 -0.0007
3.2700 -0.0007
3.2800 -0.0007
3.2900 -0.0007
3.3000 -0.0007
3.3100 -0.0007
3.3200 -0.0008
3.3300 -0.0008
3.3400 -0.0008
3.3500 -0.0008
3.3600 -0.0008
3.3700 -0.0008
3.3800 -0.0009
3.3900 -0.0009
3.4000 -0.0009
3.4100 -0.0009
3.4200 -0.0010
3.4300 -0.0010
3.4400 -0.0010
3.4500 -0.0010
3.4600 -0.0010
3.4700 -0.0011
3.4800 -0.0011
3.4900 -0.0011
3.5000 -0.0011
3.5100 -0.0011
3.5200 -0.0012
3.5300 -0.0012
3.5400 -0.0012
3.5500 -0.0012
3.5600 -0.0012
3.5700 -0.0013
3.5800 -0.0013
3.5900 -0.0013
3.6000 -0.0013
3.6100 -0.0013
3.6200 -0.0013
3.6300 -0.0013
3.6400 -0.0013
3.6500 -0.0014
3.6600 -0.0014
3.6700 -0.0014
3.6800 -0.0014
3.6900 -0.0014
3.7000 -0.0014
3.7100 -0.0014
3.7200 -0.0014
3.7300 -0.0014
3.7400 -0.0014
3.7500 -0.0014
3.7600 -0.0014
3.7700 -0.0014
3.7800 -0.0014
3.7900 -0.0014
3.8000 -0.0014
3.8100 -0.0014
3.8200 -0.0014
3.8300 -0.0014
3.8400 -0.0014
3.8500 -0.0014
3.8600 -0.0013
3.8700 -0.0013
3.8800 -0.0013
3.8900 -0.0013
3.9000 -0.0013
3.9100 -0.0013
3.9200 -0.0013
3.9300 -0.0013
3.9400 -0.0013
3.9500 -0.0013
3.9600 -0.0013
3.9700 -0.0013
3.9800 -0.0013
3.9900 -0.0013
4.0000 -0.0013
1 个答案:
答案 0 :(得分：0)
以下是我得到的系数，以及拟合图：
p[0] = 1.5810626020436172E+04
p[1] = -2.5558082863192549E-01
p[2] = -1.5386798252451177E+04
p[3] = -2.5799976733673363E-01
相关问题
最新问题
- 我写了这段代码，但我无法理解我的错误
- 我无法从一个代码实例的列表中删除 None 值，但我可以在另一个实例中。为什么它适用于一个细分市场而不适用于另一个细分市场？
- 是否有可能使 loadstring 不可能等于打印？卢阿
- java中的random.expovariate()
- Appscript 通过会议在 Google 日历中发送电子邮件和创建活动
- 为什么我的 Onclick 箭头功能在 React 中不起作用？
- 在此代码中是否有使用“this”的替代方法？
- 在 SQL Server 和 PostgreSQL 上查询，我如何从第一个表获得第二个表的可视化
- 每千个数字得到
- 更新了城市边界 KML 文件的来源？