這里使用scipy工具進行模擬：

from pylab import *

from scipy.optimize import curve_fit

data=concatenate((normal(1,.2,5000),normal(2,.2,2500)))

y,x,_=hist(data,100,alpha=.3,label='data')

x=(x[1:]+x[:-1])/2 # for len(x)==len(y)

def gauss(x,mu,sigma,A):

return A*exp(-(x-mu)**2/2/sigma**2)

def bimodal(x,mu1,sigma1,A1,mu2,sigma2,A2):

return gauss(x,mu1,sigma1,A1)+gauss(x,mu2,sigma2,A2)

expected=(1,.2,250,2,.2,125)

params,cov=curve_fit(bimodal,x,y,expected)

sigma=sqrt(diag(cov))

plot(x,bimodal(x,*params),color='red',lw=3,label='model')

legend()

print(params,'\n',sigma)

數據是兩個正常樣本的疊加,該模型是高斯曲線的總和.我們獲得 ：

估計參數是：

# via pandas :

# pd.DataFrame(data={'params':params,'sigma':sigma},index=bimodal.__code__.co_varnames[1:])

params sigma

mu1 0.999447 0.002683

sigma1 0.202465 0.002696

A1 226.296279 2.597628

mu2 2.003028 0.005036

sigma2 0.193235 0.005058

A2 117.823706 2.658789

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python直方图的拟合_从一组数据python中将两个高斯拟合成直方图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。