Массивы, построение графика, установка гауссовского распределения для краткости на графике, представляющем спектр мощности

Question

Это код, который я сделал, который читает в текстовом файле данных, который имеет некоторые метаданные в начале. А затем 2 столбца данных, которые представляют угол 2 тета в левом столбце, и количество радиации в правом столбце. Мой код ищет значение wavelenght в метаданных и сохраняет его в переменной для последующего использования, затем сбрасывается до начала файла, пропускает метаданные и считывает данные, необходимые в массиве. График зависимости количества излучения от угла дифракции - график. На этом графике есть несколько пиков, я хочу иметь возможность получать доступ к каждому пику индивидуально, вычислять и сохранять параметры, такие как полный максимум по ширине и область под кривой для последующего доступа. Является ли поиск в главном массиве с именем data , сканирование через него, создание меньших массивов для хранения дополнительных данных. Мне нужно рассчитать параметры каждого отдельного пика хорошим методом для использования? Вот мой код, ниже которого следуют данные, которые я использую в текстовом файле.

import matplotlib.pyplot as plt 
import numpy as np 
import math 
figure = plt.figure() 
count = 0 
with open("chan.txt", "r") as metapart: 
    for line in metapart: 
     if "&END" in line: 
      break 
     count = count + 1 
    print count 
    print metapart.next() 
    metapart.seek(0) 
    data = np.genfromtxt(metapart, skiprows=11) 
    print data 
metapart.close() 
x_data = data[:,0] 
y_init = data[:,1] 
y_data = [] 
for i in y_init: 
    if i > 0: 
     y_data.append(math.log10(i)) 
    else: 
     y_data.append(i) 
print y_data 
plt.plot(x_data,y_data, 'r') 
plt.show() 

Вот данные из текстового файла:

&SRS 
<MetaDataAtStart> 
multiple=True 
Wavelength (Angstrom)=0.97587 
mode=assessment 
background=False 
issid=py11n2g 
noisy=False 
</MetaDataAtStart> 
&END 
Two Theta(deg) Counts(sec^-1) 
10.0 0.0 
10.1 0.0 
10.2 0.0 
10.3 0.0 
10.4 0.0 
10.5 0.0 
10.6 0.0 
10.7 0.0 
10.8 0.0 
10.9 0.0 
11.0 0.0 
11.1 0.0 
11.2 0.0 
11.3 0.0 
11.4 0.0 
11.5 0.0 
11.6 0.0 
11.7 0.0 
11.8 0.0 
11.9 0.0 
12.0 0.0 
12.1 0.0 
12.2 0.0 
12.3 0.0 
12.4 0.0 
12.5 0.0 
12.6 0.0 
12.7 0.0 
12.8 0.0 
12.9 0.0 
13.0 0.0 
13.1 0.0 
13.2 0.0 
13.3 0.0 
13.4 0.0 
13.5 0.0 
13.6 0.0 
13.7 0.0 
13.8 0.0 
13.9 0.0 
14.0 0.0 
14.1 0.0 
14.2 0.0 
14.3 0.0 
14.4 0.0 
14.5 0.0 
14.6 0.0 
14.7 0.0 
14.8 0.0 
14.9 0.0 
15.0 0.0 
15.1 0.0 
15.2 0.0 
15.3 0.0 
15.4 0.0 
15.5 0.0 
15.6 0.0 
15.7 0.0 
15.8 0.0 
15.9 0.0 
16.0 0.0 
16.1 0.0 
16.2 0.0 
16.3 0.0 
16.4 0.0 
16.5 0.0 
16.6 0.0 
16.7 0.0 
16.8 0.0 
16.9 0.0 
17.0 0.0 
17.1 0.0 
17.2 0.0 
17.3 0.0 
17.4 0.0 
17.5 0.0 
17.6 0.0 
17.7 0.0 
17.8 0.0 
17.9 0.0 
18.0 0.0 
18.1 0.0 
18.2 0.0 
18.3 0.0 
18.4 0.0 
18.5 0.0 
18.6 0.0 
18.7 0.0 
18.8 0.0 
18.9 0.0 
19.0 0.0 
19.1 0.0 
19.2 0.0 
19.3 0.0 
19.4 0.0 
19.5 0.0 
19.6 0.0 
19.7 0.0 
19.8 0.0 
19.9 0.0 
20.0 0.0 
20.1 0.0 
20.2 0.0 
20.3 0.0 
20.4 0.0 
20.5 0.0 
20.6 0.0 
20.7 0.0 
20.8 0.0 
20.9 0.0 
21.0 0.0 
21.1 0.0 
21.2 0.0 
21.3 0.0 
21.4 0.0 
21.5 0.0 
21.6 0.0 
21.7 0.0 
21.8 0.0 
21.9 0.0 
22.0 0.0 
22.1 0.0 
22.2 0.0 
22.3 0.0 
22.4 0.0 
22.5 0.0 
22.6 0.0 
22.7 0.0 
22.8 0.0 
22.9 0.0 
23.0 0.0 
23.1 0.0 
23.2 0.0 
23.3 0.0 
23.4 0.0 
23.5 0.0 
23.6 0.0 
23.7 2.0 
23.8 8.0 
23.9 30.0 
24.0 86.0 
24.1 205.0 
24.2 400.0 
24.3 642.0 
24.4 848.0 
24.5 922.0 
24.6 823.0 
24.7 605.0 
24.8 365.0 
24.9 181.0 
25.0 74.0 
25.1 25.0 
25.2 7.0 
25.3 2.0 
25.4 0.0 
25.5 0.0 
25.6 0.0 
25.7 0.0 
25.8 0.0 
25.9 0.0 
26.0 0.0 
26.1 0.0 
26.2 0.0 
26.3 0.0 
26.4 0.0 
26.5 0.0 
26.6 0.0 
26.7 0.0 
26.8 0.0 
26.9 0.0 
27.0 0.0 
27.1 0.0 
27.2 0.0 
27.3 0.0 
27.4 0.0 
27.5 1.0 
27.6 3.0 
27.7 10.0 
27.8 33.0 
27.9 88.0 
28.0 193.0 
28.1 347.0 
28.2 515.0 
28.3 630.0 
28.4 636.0 
28.5 529.0 
28.6 363.0 
28.7 206.0 
28.8 96.0 
28.9 37.0 
29.0 12.0 
29.1 3.0 
29.2 1.0 
29.3 0.0 
29.4 0.0 
29.5 0.0 
29.6 0.0 
29.7 0.0 
29.8 0.0 
29.9 0.0 
30.0 0.0 
30.1 0.0 
30.2 0.0 
30.3 0.0 
30.4 0.0 
30.5 0.0 
30.6 0.0 
30.7 0.0 
30.8 0.0 
30.9 0.0 
31.0 0.0 
31.1 0.0 
31.2 0.0 
31.3 0.0 
31.4 0.0 
31.5 0.0 
31.6 0.0 
31.7 0.0 
31.8 0.0 
31.9 0.0 
32.0 0.0 
32.1 0.0 
32.2 0.0 
32.3 0.0 
32.4 0.0 
32.5 0.0 
32.6 0.0 
32.7 0.0 
32.8 0.0 
32.9 0.0 
33.0 0.0 
33.1 0.0 
33.2 0.0 
33.3 0.0 
33.4 0.0 
33.5 0.0 
33.6 0.0 
33.7 0.0 
33.8 0.0 
33.9 0.0 
34.0 0.0 
34.1 0.0 
34.2 0.0 
34.3 0.0 
34.4 0.0 
34.5 0.0 
34.6 0.0 
34.7 0.0 
34.8 0.0 
34.9 0.0 
35.0 0.0 
35.1 0.0 
35.2 0.0 
35.3 0.0 
35.4 0.0 
35.5 0.0 
35.6 0.0 
35.7 0.0 
35.8 0.0 
35.9 0.0 
36.0 0.0 
36.1 0.0 
36.2 0.0 
36.3 0.0 
36.4 0.0 
36.5 0.0 
36.6 0.0 
36.7 0.0 
36.8 0.0 
36.9 0.0 
37.0 0.0 
37.1 0.0 
37.2 0.0 
37.3 0.0 
37.4 0.0 
37.5 0.0 
37.6 0.0 
37.7 0.0 
37.8 0.0 
37.9 0.0 
38.0 0.0 
38.1 0.0 
38.2 0.0 
38.3 0.0 
38.4 0.0 
38.5 0.0 
38.6 0.0 
38.7 0.0 
38.8 0.0 
38.9 0.0 
39.0 0.0 
39.1 0.0 
39.2 0.0 
39.3 0.0 
39.4 0.0 
39.5 0.0 
39.6 0.0 
39.7 1.0 
39.8 5.0 
39.9 18.0 
40.0 53.0 
40.1 125.0 
40.2 249.0 
40.3 415.0 
40.4 575.0 
40.5 667.0 
40.6 645.0 
40.7 521.0 
40.8 352.0 
40.9 198.0 
41.0 93.0 
41.1 37.0 
41.2 12.0 
41.3 3.0 
41.4 1.0 
41.5 0.0 
41.6 0.0 
41.7 0.0 
41.8 0.0 
41.9 0.0 
42.0 0.0 
42.1 0.0 
42.2 0.0 
42.3 0.0 
42.4 0.0 
42.5 0.0 
42.6 0.0 
42.7 0.0 
42.8 0.0 
42.9 0.0 
43.0 0.0 
43.1 0.0 
43.2 0.0 
43.3 0.0 
43.4 0.0 
43.5 0.0 
43.6 0.0 
43.7 0.0 
43.8 0.0 
43.9 0.0 
44.0 0.0 
44.1 0.0 
44.2 0.0 
44.3 0.0 
44.4 0.0 
44.5 0.0 
44.6 0.0 
44.7 0.0 
44.8 0.0 
44.9 0.0 
45.0 0.0 
45.1 0.0 
45.2 0.0 
45.3 0.0 
45.4 0.0 
45.5 0.0 
45.6 0.0 
45.7 0.0 
45.8 0.0 
45.9 0.0 
46.0 0.0 
46.1 0.0 
46.2 0.0 
46.3 0.0 
46.4 0.0 
46.5 0.0 
46.6 0.0 
46.7 0.0 
46.8 0.0 
46.9 0.0 
47.0 1.0 
47.1 5.0 
47.2 18.0 
47.3 58.0 
47.4 155.0 
47.5 351.0 
47.6 670.0 
47.7 1079.0 
47.8 1463.0 
47.9 1672.0 
48.0 1610.0 
48.1 1307.0 
48.2 894.0 
48.3 515.0 
48.4 250.0 
48.5 103.0 
48.6 35.0 
48.7 10.0 
48.8 3.0 
48.9 1.0 
49.0 0.0 
49.1 0.0 
49.2 0.0 
49.3 1.0 
49.4 2.0 
49.5 8.0 
49.6 25.0 
49.7 63.0 
49.8 135.0 
49.9 244.0 
50.0 374.0 
50.1 483.0 
50.2 528.0 
50.3 488.0 
50.4 382.0 
50.5 252.0 
50.6 141.0 
50.7 66.0 
50.8 26.0 
50.9 9.0 
51.0 3.0 
51.1 1.0 
51.2 0.0 
51.3 0.0 
51.4 0.0 
51.5 0.0 
51.6 0.0 
51.7 0.0 
51.8 0.0 
51.9 0.0 
52.0 0.0 
52.1 0.0 
52.2 0.0 
52.3 0.0 
52.4 0.0 
52.5 0.0 
52.6 0.0 
52.7 0.0 
52.8 0.0 
52.9 0.0 
53.0 0.0 
53.1 0.0 
53.2 0.0 
53.3 0.0 
53.4 0.0 
53.5 0.0 
53.6 0.0 
53.7 0.0 
53.8 0.0 
53.9 0.0 
54.0 0.0 
54.1 0.0 
54.2 0.0 
54.3 0.0 
54.4 0.0 
54.5 0.0 
54.6 0.0 
54.7 0.0 
54.8 0.0 
54.9 0.0 
55.0 0.0 
55.1 0.0 
55.2 0.0 
55.3 0.0 
55.4 0.0 
55.5 0.0 
55.6 0.0 
55.7 0.0 
55.8 0.0 
55.9 0.0 
56.0 0.0 
56.1 0.0 
56.2 0.0 
56.3 0.0 
56.4 0.0 
56.5 0.0 
56.6 0.0 
56.7 0.0 
56.8 0.0 
56.9 0.0 
57.0 0.0 
57.1 0.0 
57.2 0.0 
57.3 0.0 
57.4 0.0 
57.5 0.0 
57.6 0.0 
57.7 0.0 
57.8 1.0 
57.9 3.0 
58.0 10.0 
58.1 27.0 
58.2 60.0 
58.3 113.0 
58.4 184.0 
58.5 256.0 
58.6 305.0 
58.7 310.0 
58.8 270.0 
58.9 202.0 
59.0 129.0 
59.1 70.0 
59.2 33.0 
59.3 13.0 
59.4 4.0 
59.5 1.0 
59.6 0.0 
59.7 0.0 
59.8 0.0 
59.9 0.0 
60.0 0.0 
60.1 0.0 
60.2 0.0 
60.3 0.0 
60.4 0.0 
60.5 0.0 
60.6 0.0 
60.7 0.0 
60.8 0.0 
60.9 0.0 
61.0 0.0 
61.1 0.0 
61.2 0.0 
61.3 0.0 
61.4 0.0 
61.5 0.0 
61.6 0.0 
61.7 0.0 
61.8 0.0 
61.9 0.0 
62.0 0.0 
62.1 0.0 
62.2 0.0 
62.3 0.0 
62.4 0.0 
62.5 0.0 
62.6 0.0 
62.7 0.0 
62.8 0.0 
62.9 0.0 
63.0 0.0 
63.1 0.0 
63.2 0.0 
63.3 0.0 
63.4 0.0 
63.5 0.0 
63.6 0.0 
63.7 0.0 
63.8 0.0 
63.9 0.0 
64.0 0.0 
64.1 0.0 
64.2 0.0 
64.3 0.0 
64.4 0.0 
64.5 0.0 
64.6 0.0 
64.7 0.0 
64.8 0.0 
64.9 0.0 
65.0 0.0 
65.1 0.0 
65.2 0.0 
65.3 0.0 
65.4 0.0 
65.5 0.0 
65.6 0.0 
65.7 0.0 
65.8 0.0 
65.9 0.0 
66.0 0.0 
66.1 0.0 
66.2 0.0 
66.3 0.0 
66.4 0.0 
66.5 0.0 
66.6 0.0 
66.7 0.0 
66.8 0.0 
66.9 0.0 
67.0 0.0 
67.1 0.0 
67.2 0.0 
67.3 0.0 
67.4 0.0 
67.5 0.0 
67.6 0.0 
67.7 0.0 
67.8 0.0 
67.9 0.0 
68.0 0.0 
68.1 0.0 
68.2 0.0 
68.3 0.0 
68.4 0.0 
68.5 0.0 
68.6 0.0 
68.7 0.0 
68.8 0.0 
68.9 0.0 
69.0 0.0 
69.1 0.0 
69.2 0.0 
69.3 0.0 
69.4 0.0 
69.5 0.0 
69.6 0.0 
69.7 0.0 
69.8 0.0 
69.9 0.0 
70.0 0.0 
70.1 0.0 
70.2 0.0 
70.3 0.0 
70.4 0.0 
70.5 0.0 
70.6 0.0 
70.7 0.0 
70.8 0.0 
70.9 0.0 
71.0 0.0 
71.1 0.0 
71.2 0.0 
71.3 0.0 
71.4 0.0 
71.5 0.0 
71.6 0.0 
71.7 0.0 
71.8 0.0 
71.9 0.0 
72.0 0.0 
72.1 0.0 
72.2 0.0 
72.3 0.0 
72.4 0.0 
72.5 0.0 
72.6 0.0 
72.7 0.0 
72.8 0.0 
72.9 0.0 
73.0 0.0 
73.1 0.0 
73.2 0.0 
73.3 0.0 
73.4 0.0 
73.5 0.0 
73.6 0.0 
73.7 0.0 
73.8 0.0 
73.9 0.0 
74.0 0.0 
74.1 0.0 
74.2 0.0 
74.3 0.0 
74.4 0.0 
74.5 0.0 
74.6 0.0 
74.7 0.0 
74.8 0.0 
74.9 0.0 
75.0 0.0 
75.1 0.0 
75.2 0.0 
75.3 0.0 
75.4 0.0 
75.5 0.0 
75.6 0.0 
75.7 0.0 
75.8 0.0 
75.9 0.0 
76.0 0.0 
76.1 0.0 
76.2 0.0 
76.3 0.0 
76.4 0.0 
76.5 0.0 
76.6 0.0 
76.7 0.0 
76.8 0.0 
76.9 0.0 
77.0 0.0 
77.1 0.0 
77.2 0.0 
77.3 0.0 
77.4 0.0 
77.5 0.0 
77.6 0.0 
77.7 0.0 
77.8 0.0 
77.9 0.0 
78.0 0.0 
78.1 0.0 
78.2 0.0 
78.3 0.0 
78.4 0.0 
78.5 0.0 
78.6 0.0 
78.7 0.0 
78.8 0.0 
78.9 0.0 
79.0 0.0 
79.1 0.0 
79.2 0.0 
79.3 0.0 
79.4 0.0 
79.5 0.0 
79.6 0.0 
79.7 0.0 
79.8 0.0 
79.9 0.0 
80.0 0.0 
80.1 0.0 
80.2 0.0 
80.3 0.0 
80.4 0.0 
80.5 0.0 
80.6 0.0 
80.7 0.0 
80.8 0.0 
80.9 0.0 
81.0 0.0 
81.1 0.0 
81.2 0.0 
81.3 0.0 
81.4 0.0 
81.5 0.0 
81.6 0.0 
81.7 0.0 
81.8 0.0 
81.9 0.0 
82.0 0.0 
82.1 0.0 
82.2 0.0 
82.3 0.0 
82.4 0.0 
82.5 0.0 
82.6 0.0 
82.7 0.0 
82.8 0.0 
82.9 0.0 
83.0 0.0 
83.1 0.0 
83.2 0.0 
83.3 0.0 
83.4 0.0 
83.5 0.0 
83.6 0.0 
83.7 0.0 
83.8 0.0 
83.9 0.0 
84.0 0.0 
84.1 0.0 
84.2 0.0 
84.3 0.0 
84.4 0.0 
84.5 0.0 
84.6 0.0 
84.7 0.0 
84.8 0.0 
84.9 0.0 
85.0 0.0 
85.1 0.0 
85.2 0.0 
85.3 0.0 
85.4 0.0 
85.5 0.0 
85.6 0.0 
85.7 0.0 
85.8 0.0 
85.9 0.0 
86.0 0.0 
86.1 0.0 
86.2 0.0 
86.3 0.0 
86.4 0.0 
86.5 0.0 
86.6 0.0 
86.7 0.0 
86.8 0.0 
86.9 0.0 
87.0 0.0 
87.1 0.0 
87.2 0.0 
87.3 0.0 
87.4 0.0 
87.5 0.0 
87.6 0.0 
87.7 0.0 
87.8 0.0 
87.9 0.0 
88.0 0.0 
88.1 0.0 
88.2 0.0 
88.3 0.0 
88.4 0.0 
88.5 0.0 
88.6 0.0 
88.7 0.0 
88.8 0.0 
88.9 0.0 
89.0 0.0 
89.1 0.0 
89.2 0.0 
89.3 0.0 
89.4 0.0 
89.5 0.0 
89.6 0.0 
89.7 0.0 
89.8 0.0 
89.9 0.0 
90.0 0.0 
90.1 0.0 
90.2 0.0 
90.3 0.0 
90.4 0.0 
90.5 0.0 
90.6 0.0 
90.7 0.0 
90.8 0.0 
90.9 0.0 
91.0 0.0 
91.1 0.0 
91.2 0.0 
91.3 0.0 
91.4 0.0 
91.5 0.0 
91.6 0.0 
91.7 0.0 
91.8 0.0 
91.9 0.0 
92.0 0.0 
92.1 0.0 
92.2 0.0 
92.3 0.0 
92.4 0.0 
92.5 0.0 
92.6 0.0 
92.7 0.0 
92.8 0.0 
92.9 0.0 
93.0 0.0 
93.1 0.0 
93.2 0.0 
93.3 0.0 
93.4 0.0 
93.5 0.0 
93.6 0.0 
93.7 0.0 
93.8 0.0 
93.9 0.0 
94.0 0.0 
94.1 0.0 
94.2 0.0 
94.3 0.0 
94.4 0.0 
94.5 0.0 
94.6 0.0 
94.7 0.0 
94.8 0.0 
94.9 0.0 
95.0 0.0 
95.1 0.0 
95.2 0.0 
95.3 0.0 
95.4 0.0 
95.5 0.0 
95.6 0.0 
95.7 0.0 
95.8 0.0 
95.9 0.0 
96.0 0.0 
96.1 0.0 
96.2 0.0 
96.3 0.0 
96.4 0.0 
96.5 0.0 
96.6 0.0 
96.7 0.0 
96.8 0.0 
96.9 0.0 
97.0 0.0 
97.1 0.0 
97.2 0.0 
97.3 0.0 
97.4 0.0 
97.5 0.0 
97.6 0.0 
97.7 0.0 
97.8 0.0 
97.9 0.0 
98.0 0.0 
98.1 0.0 
98.2 0.0 
98.3 0.0 
98.4 0.0 
98.5 0.0 
98.6 0.0 
98.7 0.0 
98.8 0.0 
98.9 0.0 
99.0 0.0 
99.1 0.0 
99.2 0.0 
99.3 0.0 
99.4 0.0 
99.5 0.0 
99.6 0.0 
99.7 0.0 
99.8 0.0 
99.9 0.0 
100.0 0.0 
100.1 0.0 
100.2 0.0 
100.3 0.0 
100.4 0.0 
100.5 0.0 
100.6 0.0 
100.7 0.0 
100.8 0.0 
100.9 0.0 
101.0 0.0 
101.1 0.0 
101.2 0.0 
101.3 0.0 
101.4 0.0 
101.5 0.0 
101.6 0.0 
101.7 0.0 
101.8 0.0 
101.9 0.0 
102.0 0.0 
102.1 0.0 
102.2 0.0 
102.3 0.0 
102.4 0.0 
102.5 0.0 
102.6 0.0 
102.7 0.0 
102.8 0.0 
102.9 0.0 
103.0 0.0 
103.1 0.0 
103.2 0.0 
103.3 0.0 
103.4 0.0 
103.5 0.0 
103.6 0.0 
103.7 0.0 
103.8 0.0 
103.9 0.0 
104.0 0.0 
104.1 0.0 
104.2 0.0 
104.3 0.0 
104.4 0.0 
104.5 0.0 
104.6 0.0 
104.7 0.0 
104.8 0.0 
104.9 0.0 
105.0 0.0 
105.1 0.0 
105.2 0.0 
105.3 0.0 
105.4 0.0 
105.5 0.0 
105.6 0.0 
105.7 0.0 
105.8 0.0 
105.9 0.0 
106.0 0.0 
106.1 0.0 
106.2 0.0 
106.3 0.0 
106.4 0.0 
106.5 0.0 
106.6 0.0 
106.7 0.0 
106.8 0.0 
106.9 0.0 
107.0 0.0 
107.1 0.0 
107.2 0.0 
107.3 0.0 
107.4 0.0 
107.5 0.0 
107.6 0.0 
107.7 0.0 
107.8 0.0 
107.9 0.0 
108.0 0.0 
108.1 0.0 
108.2 0.0 
108.3 0.0 
108.4 0.0 
108.5 0.0 
108.6 0.0 
108.7 0.0 
108.8 0.0 
108.9 0.0 
109.0 0.0 
109.1 0.0 
109.2 0.0 
109.3 0.0 
109.4 0.0 
109.5 0.0 
109.6 0.0 
109.7 0.0 
109.8 0.0 
109.9 0.0 
110.0 0.0 

Answer 1

Да, это подходящий подход.

Первого некоторый код, чтобы ты (я подправил свой код):

import matplotlib.pyplot as plt 
import numpy as np 
import math 
figure = plt.figure() 

def Gaussian(x, Geoms): 
    # Geoms is a n X 3 array: 
    # Position, Amplitude, FWHM 

    #Geoms = [[2,.00001,3][1,17,.2]] 

    Position = Geoms[:, 0] 
    Amplitude = Geoms[:, 1] 
    FWHM = Geoms[:, 2] 

    y = np.zeros(x.shape) 

    for i in np.arange(0, Amplitude.shape[0]): 
     g = Position[i]; q = (x-g); v = FWHM[i] 
     q = q*q; v = v*v 
     y += (Amplitude[i] * np.exp(-q/(v*np.sqrt(2)))) 

    return y 

count = 0 
with open("chan.txt", "r") as metapart: 
    for line in metapart: 
     if "&END" in line: 
      break 
     count = count + 1 
    print count 
    print metapart.next() 
    metapart.seek(0) 
    data = np.genfromtxt(metapart, skiprows=11) 
    print data 
metapart.close() 
x_data = data[:,0] 
y_data = data[:,1] 

# Build several gaussian peaks. 
FWHM = 0.25 
Geoms = np.array([[24.48, 922, FWHM], [28.35, 644, FWHM]]) 
y_fit = Gaussian(x_data, Geoms) 

# I recommend keeping your data in its original form. Only display it logarithmically if you want. 
plt.semilogy(x_data,y_data, 'r', x_data, y_fit, 'b') 
# And you may want to control the plot range. 
plt.axis([0,100, 1,1000]) 
plt.show() 

Я добавил функцию, которую я написал некоторое время назад под названием Gaussian, что создает свои пики. Извините, это не лучше комментировать, но это должно быть довольно просто. Он требует многозначных входов.

Во-вторых, я удалил цикл for для обрезания данных в 0. (Вы можете посмотреть в numpy.clip() в будущем, если вы хотите это сделать). Я рекомендую оставить ваши данные в исходном формате и только участок это логарифмически. Это особенно верно, если вы делаете припадки, поскольку в противном случае вам нужно написать функцию log_gaussian и т. Д., И это становится запутанным.

Здесь я просто бросил в руки первых двух гауссиан. Конечно, вы можете бросить все остальное вручную и настроить значения до тех пор, пока они не будут такими точными, как неопределенность, связанная с оцифровкой ваших данных в течение нескольких минут. Если вы делаете это один раз, это то, что я сделал бы. Но если вы делаете это более одного раза или у вас более сложные формы, я бы потратил время, чтобы узнать SciPy optimize module. Вы, вероятно, захотите начать с SciPy tutorial. Использование ScyPy optimize имеет более длинную взлетно-посадочную полосу, но она окупается интересами и дивидендами, а также множеством акций.

Наслаждайтесь!