python - 使用 lmfit ExponentialGaussianModel( )

Question

尝试从 lmfit 拟合 ExponentialGaussianModel() 但收到以下错误消息:The input contains nan values

我在 Windows 上使用 Jupyternotebook，我是 python 和 lmfit 的新手。我发现 lmfit 文档对于初学者来说有点晦涩难懂，希望能在这里找到帮助。以下是我的代码:我想生成一个指数高斯直方图，提取数据点并练习使用 lmfit 库进行拟合。 (我想练习拟合并找到最少数量的点来重现用于生成直方图的参数)

from scipy.stats import exponnorm
from lmfit.models import ExponentialGaussianModel

K2 = 1.5
r2 = exponnorm.rvs(K2, size=500, loc = 205, scale = 40)

Q           =  np.histogram(r2,500)
exp_gaus_x  =  Q[1]
exp_gaus_y  =  Q[0]

tof_x       =  exp_gaus_x[1:]
tof_y       =  exp_gaus_y

mod =  ExponentialGaussianModel()
pars = mod.guess(tof_y, x=tof_x)
out  = mod.fit(tof_y, pars, x=tof_x)
(out.fit_report(min_correl=0.25))

我得到的错误是有 nan 输入值。我期待一份如手册中所示的报告。

Answer 1

lmfit中使用的指数高斯的定义|来自https://en.wikipedia.org/wiki/Exponentially_modified_Gaussian_distribution .指数项为

exp[center*gamma + (gamma*sigma)**2/2 - gamma*x]

这有给出 Inf 的趋势对于 sigma 的大值和 gamma , 和/或 center .我相信你会得到这样的 Inf值，这是 NaN 的原因你看到的消息。拟合例程(在 Fortran 中)不处理 NaN或 Inf优雅地(实际上，“完全”)。这是该特定模型的真正限制。你会看到维基百科页面上的例子都有 x值更接近 1比200 , 和 gamma和 sigma也是 1 的数量级，而不是 50 左右，这就是自动化 guess 的数量级给。

我认为更简单的指数修正高斯定义更适合您。与

def expgaussian(x, amplitude=1, center=0, sigma=1.0, gamma=1.0):
    """ an alternative exponentially modified Gaussian."""
    dx = center-x
    return amplitude* np.exp(gamma*dx) * erfc( dx/(np.sqrt(2)*sigma))

虽然参数的含义发生了一些变化，但您会得到一个不错的选择，并且您需要明确给出起始值，而不是依赖于 guess()程序。这些不必非常接近，只要不是很远即可。

完整的脚本可能是:

import numpy as np
from scipy.stats import exponnorm
from scipy.special import erfc
from lmfit import Model
import matplotlib.pyplot as plt

def expgaussian(x, amplitude=1, center=0, sigma=1.0, gamma=1.0):
    """ an alternative exponentially modified Gaussian."""
    dx = center-x
    return amplitude* np.exp(gamma*dx) * erfc( dx/(np.sqrt(2)*sigma))

K2 = 1.5
r2 = exponnorm.rvs(K2, size=500, loc = 205, scale = 40)
Q           =  np.histogram(r2,500)
exp_gaus_x  =  Q[1]
exp_gaus_y  =  Q[0]
tof_x       =  exp_gaus_x[1:]
tof_y       =  exp_gaus_y

mod =  Model(expgaussian)
pars = mod.make_params(sigma=20, gamma=0.1, amplitude=2, center=250)

out  = mod.fit(tof_y, pars, x=tof_x)

print(out.fit_report())

plt.plot(tof_x, tof_y, label='data')
plt.plot(tof_x, out.best_fit, label='fit')
plt.legend()
plt.show()

打印出来

[[Model]]
    Model(expgaussian)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 65
    # data points      = 500
    # variables        = 4
    chi-square         = 487.546692
    reduced chi-square = 0.98295704
    Akaike info crit   = -4.61101662
    Bayesian info crit = 12.2474158
[[Variables]]
    gamma:      0.01664876 +/- 0.00239048 (14.36%) (init = 0.1)
    sigma:      39.6914678 +/- 3.90960254 (9.85%) (init = 20)
    center:     235.600396 +/- 11.8976560 (5.05%) (init = 250)
    amplitude:  3.43975318 +/- 0.15675053 (4.56%) (init = 2)
[[Correlations]] (unreported correlations are < 0.100)
    C(gamma, center)     =  0.930
    C(sigma, center)     =  0.870
    C(gamma, amplitude)  =  0.712
    C(gamma, sigma)      =  0.693
    C(center, amplitude) =  0.572
    C(sigma, amplitude)  =  0.285

并显示类似的情节

希望对您有所帮助。