Dopasowanie krzywej gaussa

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

# Deklaracja funkcji gaussa
def gauss(x, *p):
    a, b, c, d = p
    y = a*np.exp(-np.power((x - b), 2.)/(2. * c**2.)) + d

    return y

# Wczytanie danych z pliku godz.ASCII - plik musi być w tym samym folderze co skrypt!
x_list = []
y_list = []

with open('godz.ASCII', 'r') as csvf:
    reader = csv.reader(csvf, delimiter='\t')
    for r in reader:
        if len(r) == 2:
            x_list.append(float(r[0]))
            y_list.append(float(r[1]))

#Konwersja do tablicy numpy
x = np.array(x_list)
y = np.array(y_list)
n = len(x)                          #the number of data

#Centrujemy dane wokol x = 0
offset = (sum(x)/n)
x -= offset

#Okreslamy parametry poczatkowe algorytmu dopasowania
mean = sum(x*y)/n
sigma = sum(y*(x-mean)**2)/n
p_0 = [max(y), mean, sigma, 0]

#Dopasowanie krzywej
fit, covariance = curve_fit(gauss, x, y, p0=p_0 )

#Przesuwamy dopasowana funkcje z powrotem na miejsce
fit[1]+=offset

#Przesuwamy z powrotem nasze dane wejciowe na miejsce
x = x+offset

#Generujemy Y zgodnie z naszą oszacowaną funkcją
y_fit = gauss(x, *fit)

#Rysujemy wszystko:
fig, ax = plt.subplots()
ax.plot(x, y, color = 'blue')
ax.plot(x, y_fit, color = 'red')

ax.set_xlabel(r'$x$')
ax.set_ylabel(r'$f(x)$')
ax.set_title('Dopasowanie krzywej gaussa.')

print("Dopasowana funkcja: f(x) = {}*np.exp(-np.power((x - {}), 2.)/(2. * {}**2.)) + {}".format(*fit))

plt.show()