Desarrollo de Python
  1. Desarrollo de Python
  3. ajustar múltiples gaussianos a los datos en python
Intereting Posts
Encontrando el medio de tres números. ¿Cómo averiguar los valores predeterminados del argumento de una función particular en otra función en Python? Arreglando el escape JSON inválido ¿Por qué estos paquetes de apt no se comportan igual en Ubuntu y Heroku? ¿Cuál es la forma más común de configurar archivos estáticos en depuración y producción para Django? cómo eliminar u de sqlite3 cursor.fetchall () en python ¿Cómo puedo leer las entradas como números? Cómo mostrar la imagen completa al usar openCV warpPerspective Agregar dinámicamente una propiedad a una clase Django Rest Framework con varios conjuntos de vistas y enrutadores para el mismo objeto Control remoto o script Open Office para editar documentos de Word desde Python df.groupby (…) .agg (conjunto) produce resultados diferentes en comparación con df.groupby (…) .agg (lambda x: conjunto (x)) Python mysql comprueba si hay duplicado antes de insertar Python: ¿Cómo generar un número aleatorio de 12 dígitos? Devuelve la variable de cx_Oracle PL / SQL call en Python

ajustar múltiples gaussianos a los datos en python

Me pregunto si hay una manera fácil de implementar ajustes gaussianos / lorentzianos a 10 picos y extraer fwhm y también determinar la posición de fwhm en los valores de x. La forma complicada es separar los picos y ajustar los datos y extraer fwhm.

Los datos son [ https://drive.google.com/file/d/0B6sUnnbyNGuOT2RZb2UwYXU4dlE/view?usp=sharing] .

Cualquier consejo muy apreciado. Gracias. 

from scipy.optimize import curve_fit import numpy as np import matplotlib.pyplot as plt data = np.loadtxt('data.txt', delimiter=',') x, y = data plt.plot(x,y) plt.show() def func(x, *params): y = np.zeros_like(x) print len(params) for i in range(0, len(params), 3): ctr = params[i] amp = params[i+1] wid = params[i+2] y = y + amp * np.exp( -((x - ctr)/wid)**2) guess = [0, 60000, 80, 1000, 60000, 80] for i in range(12): guess += [60+80*i, 46000, 25] popt, pcov = curve_fit(func, x, y, p0=guess) print popt fit = func(x, *popt) plt.plot(x, y) plt.plot(x, fit , 'r-') plt.show() Traceback (most recent call last): File "C:\Users\test.py", line 33, in  popt, pcov = curve_fit(func, x, y, p0=guess) File "C:\Python27\lib\site-packages\scipy\optimize\minpack.py", line 533, in curve_fit res = leastsq(func, p0, args=args, full_output=1, **kw) File "C:\Python27\lib\site-packages\scipy\optimize\minpack.py", line 368, in leastsq shape, dtype = _check_func('leastsq', 'func', func, x0, args, n) File "C:\Python27\lib\site-packages\scipy\optimize\minpack.py", line 19, in _check_func res = atleast_1d(thefunc(*((x0[:numinputs],) + args))) File "C:\Python27\lib\site-packages\scipy\optimize\minpack.py", line 444, in _ general_function return function(xdata, *params) - ydata TypeError: unsupported operand type(s) for -: 'NoneType' and 'float'

Esto requiere un ajuste no lineal. Una buena herramienta para esto es la función curve_fit de curve_fit ‘s.

Para usar curve_fit , necesitamos una función de modelo, curve_fit func , que toma x y nuestros parámetros (adivinados) como argumentos y devuelve los valores correspondientes para y . Como nuestro modelo, utilizamos una sum de gaussianos: 

 from scipy.optimize import curve_fit import numpy as np def func(x, *params): y = np.zeros_like(x) for i in range(0, len(params), 3): ctr = params[i] amp = params[i+1] wid = params[i+2] y = y + amp * np.exp( -((x - ctr)/wid)**2) return y

Ahora, vamos a crear una conjetura inicial para nuestros parámetros. Esta conjetura comienza con picos en x=0 y x=1,000 con amplitud 60,000 y anchos de plegado en e de 80. Luego, agregamos picos candidatos en x=60, 140, 220, ... con amplitud 46,000 y ancho de 25: 

 guess = [0, 60000, 80, 1000, 60000, 80] for i in range(12): guess += [60+80*i, 46000, 25]

Ahora, estamos listos para realizar el ajuste: 

 popt, pcov = curve_fit(func, x, y, p0=guess) fit = func(x, *popt)

Para ver qué tan bien lo hicimos, dibujemos los valores y reales (curva negra sólida) y el fit (curva roja discontinua) contra x :

introduzca la descripción de la imagen aquí

Como puede ver, el ajuste es bastante bueno.

Código de trabajo completo 

 from scipy.optimize import curve_fit import numpy as np import matplotlib.pyplot as plt data = np.loadtxt('data.txt', delimiter=',') x, y = data plt.plot(x,y) plt.show() def func(x, *params): y = np.zeros_like(x) for i in range(0, len(params), 3): ctr = params[i] amp = params[i+1] wid = params[i+2] y = y + amp * np.exp( -((x - ctr)/wid)**2) return y guess = [0, 60000, 80, 1000, 60000, 80] for i in range(12): guess += [60+80*i, 46000, 25] popt, pcov = curve_fit(func, x, y, p0=guess) print popt fit = func(x, *popt) plt.plot(x, y) plt.plot(x, fit , 'r-') plt.show()