有没有办法为 SciPy curve_fit 函数固定和拟合多个变量？

Question

我对 scipy.optimize 的 curve_fit 函数有疑问。我有一个相当复杂的类，可以计算光的传播，我希望它适合一些测量。对于这个线程，我将给出这个类的结构的一个简单示例

import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

class Gauss():
    
    def __init__(self,x,parDict={}):
        self.default_dict = {"Amplitude": 1, "Center": 0, "FWHM":1} 
        self.x = x
        if parDict:
            self.parDict = self.fillDict(parDict)
        else:
            self.parDict = self.default_dict
    
    def fillDict(self,dictionary):
        return_dict={}
        if "Amplitude" in dictionary.keys():
            return_dict["Amplitude"] = dictionary["Amplitude"]
        else:
            return_dict["Amplitude"] =  self.default_dict["Amplitude"]
        if "Center" in dictionary.keys():
            return_dict["Center"] = dictionary["Center"]
        else:
            return_dict["Center"] =  self.default_dict["Center"]
        if "FWHM" in dictionary.keys():
            return_dict["FWHM"] = dictionary["FWHM"]
        else:
            return_dict["FWHM"] =  self.default_dict["FWHM"]
        
        return return_dict
    
    def calculate(self):
        return self.parDict["Amplitude"]*np.exp(-((self.x-self.parDict["Center"])**2/(self.parDict["FWHM"]**2*np.sqrt(2))))

x = np.linspace(-5,5,100)       
g = Gauss(x)
y = g.calculate()

plt.plot(x,y)
plt.show()

，因此人们可以看到，我将所有参数放在一个字典中以方便使用，并为我不想更改的所有缺失参数设置了一个默认参数字典。现在，我正在努力寻找一种巧妙的方法，甚至任何方法来编写可以使用此类来适应某些测量的函数或类。就像：

ynoise = y + np.random.normal(loc=0.2, scale=0.2, size=len(x))
param = {"Amplitude":1.2,"FWHM":0.5}
fit_par,_ = curve_fit(g.calculate, x, ynoise , p0=param)

问题是，这个类是一个更大的编程项目的一部分，并且在程序内部，所以我没有操作类本身的意义。你们中有人能想出一个解决办法吗？

Answer 1

根据 Bob 的评论以及他对此帖子的回答，我可以为我的问题创建一个解决方案。

对于所有想要解决方案的人：

def fitFunc(x, dictionary):
    g = Gauss(x,dictionary)
    return g.calculate()

fit_par,_ = curve_fit(lambda x,*args: fitFunc(x, {k:v for k,v in zip(param.keys(),args)}),x, ynoise, [param[k] for k in param.keys()])
fit_par = {k:v for k,v in zip(param.keys(), fit_par)}

非常感谢！