在图中显示lmfit-model中心的误差

以下是修改 Voigt_app 函数以执行此操作的方法：

def Voigt_app(x,y,a,b):
    
    psvo_mod = PseudoVoigtModel(prefix='psvo_')
    pars = psvo_mod.guess(y,x=x)
    
    con_mod = ConstantModel(prefix='con_')
    pars = pars.update(con_mod.make_params(c = (y[0]+y[1])/2))
    
    mod = psvo_mod + con_mod

    out = mod.fit(y, pars, x=x)
    
    # Calculate the confidence interval for the fitted parameters
    ci = lmfit.conf_interval(out, out)
    print(lmfit.printfuncs.report_ci(ci))

    # Extract the uncertainty for 'psvo_center'
    center_err = (ci['psvo_center'][2][1] - ci['psvo_center'][1][1])/2

    details = out.fit_report(min_correl=0.25)
    
    return out, details, center_err

然后，您可以在绘制误差线时使用这些不确定性：

center_errs = []
for i in range(4):
    out, details, center_err = Voigt_app(x, data[i,:], a, b)
    # ...
    center_errs.append(center_err)

# ...

ax.errorbar(np.arange(4), centers, yerr=center_errs, fmt='o', color='red', label='data')

如果我正确理解了您的问题，您不仅要提取每个拟合的“psvo_center”参数的最佳拟合值，还要提取“psvo_center”的标准误差，然后将这些值用作拟合正弦振荡的数据。

如果这是正确的，我认为您要做的是通过将代码更改为stderr

centers = []
stderrs = []  # < new

colors = ['red','black','green','blue']
fig, ax = plt.subplots()
for i in range(4):
    ax.scatter(np.arange(15),data[i,:],label=f'data {i}',color=colors[i])
    out, details = Voigt_app(np.arange(15), data[i,:], a, b)
    ax.plot(out.best_fit,label=f'fit {i}',color=colors[i])
    centers.append(out.params['psvo_center'].value)       # < new 
    stderrs.append(out.params['psvo_center'].stderr)      # < new

然后，您可以使用它来制作误差线图

ax.errorbar(np.arange(4), centers, stderrs, color='red',label='data')

您可能还想使用它们来加权拟合到正弦函数，也许可以修改您的stderrsSin_App

def Sin_app(x, y, dely):       # < new
    sin_mod = SineModel(prefix='sin_')
    pars = sin_mod.guess(y,x=x)

    con_mod = ConstantModel(prefix='con_')
    pars = pars.update(con_mod.make_params(c = np.mean(y)))

    mod = sin_mod + con_mod

    out = mod.fit(y, pars, x=x, weights=1./dely)    # < new
    details = out.fit_report(min_correl=0.25)
    return out, details

并用

out, details = Sin_app(np.arange(4), np.asarray(centers), np.asarray(stderrs))

对于您给出的 4 个示例数据集，标准误差的变化不是很大，因此不会产生太大差异。但随着您添加更多数据集，它可能会变得更加重要。在使用此“生产中”之前，您可能希望添加有效的检查（例如、不是和不）。stderrNone0

对于“另一件事”，您可能还想计算正弦函数中的预测不确定性并绘制该范围。您的示例有 4 个正弦拟合变量，只有 4 个值，在这种情况下，结果是近乎完美的拟合，拟合正弦函数的不确定性小得离谱。因此，为了说明这种方法，我在下面的拟合中修复了参数。如果拟合超过4个峰曲线的结果，则没有必要这样做。但是，为了说明， 把你改成con_cSin_app

def Sin_app(x, y, dely):
    sin_mod = SineModel(prefix='sin_')
    pars = sin_mod.guess(y,x=x)

    con_mod = ConstantModel(prefix='con_')
    pars = pars.update(con_mod.make_params(c = np.mean(y)))

    pars['con_c'].vary = False  # needed with only 4 (x,y) values

    mod = sin_mod + con_mod

    out = mod.fit(y, pars, x=x, weights=1./dely)
    details = out.fit_report(min_correl=0.25)

    delta_fit = out.eval_uncertainty(sigma=1)   # < new
    return out, details, delta_fit

然后绘制使用它的结果

out, details, delta_fit = Sin_app(np.arange(4), np.asarray(centers), np.asarray(stderrs))

ax.plot(np.arange(4),out.best_fit, 'o', color='black',label='fit')

ax.fill_between(np.arange(4), 
                out.best_fit-delta_fit, out.best_fit+delta_fit,
                color="#D7D7D7")

ax.set_title('Peak positions and sine-wave fit')
ax.legend()

这导致了以下最终情节：

显示带有误差线的峰中心的“数据”、拟合值和拟合的 1-sigma 范围。