Определение экспоненциального гауссиана, используемое в lmfit
, взято из https://en.wikipedia.org/wiki/Exponentially_modified_Gaussian_distribution. При экспоненциальном члене
exp[center*gamma + (gamma*sigma)**2/2 - gamma*x]
это имеет тенденцию давать Inf
для больших значений sigma
и gamma
и / или center
.Я полагаю, что вы получаете такие Inf
значения и что это является причиной сообщения NaN
, которое вы видите.Подходящие процедуры (в Фортране) не обрабатывают NaN
или Inf
изящно (фактически, «вообще»).Это реальное ограничение этой конкретной модели.Вы увидите, что все примеры на странице википедии имеют значения x
, гораздо более близкие к 1
, чем 200
, а gamma
и sigma
также порядка 1, а не около 50, чтоавтоматизированный guess
дает.
Я думаю, что более простое определение для экспоненциально модифицированного гауссова было бы лучше для вас.С
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))
Вы получите приличное соответствие, хотя значение параметров немного изменилось, и вам нужно будет явно указать начальные значения, а не полагаться на процедуру guess()
.Они не должны быть очень близкими, просто не очень далеко.
Полный сценарий может быть:
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()
, который распечатает
[[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
и покажите сюжет вроде
Надеюсь, что поможет.