我有很多xy数据点，这些数据点上存在y的错误，我需要将非线性函数拟合到其中。这些函数在某些情况下可以是线性的，但通常是指数衰减，高斯曲线等。SciPy使用来支持这种拟合scipy.optimize.curve_fit，我还可以指定每个点的权重。这给了我加权的非线性拟合很大。从结果中，我可以提取参数及其各自的错误。

只有一个警告：错误仅用作权重，但不包括在错误中。如果我将所有数据点上的误差加倍，我希望结果的不确定性也会增加。因此，我构建了一个测试用例（源代码）进行测试。

适合scipy.optimize.curve_fit给我：

Parameters: [ 1.99900756  2.99695535]
Errors:     [ 0.00424833  0.00943236]

相同，但2 * y_err：

Parameters: [ 1.99900756  2.99695535]
Errors:     [ 0.00424833  0.00943236]

相同，但带有2 * y_err：

因此，您可以看到这些值是相同的。这告诉我算法没有考虑到这些，但是我认为值应该不同。

我也在这里阅读了另一种适合方法，因此我也尝试与之适合scipy.odr：

Beta: [ 2.00538124  2.95000413]
Beta Std Error: [ 0.00652719  0.03870884]

相同，但20 * y_err：

Beta: [ 2.00517894  2.9489472 ]
Beta Std Error: [ 0.00642428  0.03647149]

值略有不同，但是我确实认为这完全可以解释错误的增加。我认为这只是四舍五入误差或一些不同的权重。

是否有一些软件包可以让我拟合数据并获取实际错误？我有一本书中的公式，但是如果不需要，我不想自己实现。

---

我现在已经阅读了linfit.py另一个问题。这可以很好地处理我的想法。它支持两种模式，第一种是我需要的。

Fit with linfit:
Parameters: [ 2.02600849  2.91759066]
Errors:     [ 0.00772283  0.04449971]

Same but with 20 * y_err:
Parameters: [ 2.02600849  2.91759066]
Errors:     [ 0.15445662  0.88999413]

Fit with linfit(relsigma=True):
Parameters: [ 2.02600849  2.91759066]
Errors:     [ 0.00622595  0.03587451]

Same but with 20 * y_err:
Parameters: [ 2.02600849  2.91759066]
Errors:     [ 0.00622595  0.03587451]

---

我应该回答我的问题还是立即关闭/删除它？