如果我对你的问题理解正确的话，你不仅要提取每次拟合的'psvo_center'参数的最佳拟合值，还要提取'psvo_center'的标准误差，然后使用这些数据来拟合正弦振荡。
如果这是正确的，我认为您需要做的是保存stderr属性，方法是将代码改为

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

字符串
然后，您可以使用它来制作和误差条图

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

型
您可能还希望使用这些stderrs来对正弦函数的拟合进行加权，也许可以将Sin_App修改为

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

型
然后用

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

型
对于你给予的4个示例数据集，标准误差的变化不是很大，所以它不会产生很大的差异。但随着您添加更多数据集，它可能会变得更加重要。您可能希望在使用此“in production”之前添加一个检查，以确保stderr有效（例如，不是None，也不是0）。
对于“另一件事”，您可能还希望计算正弦函数中的预测不确定性，并绘制该范围。您的示例中有4个正弦拟合变量，但只有4个值，因此在这种情况下，拟合正弦函数的不确定性非常小，几乎完美。因此，为了说明该方法，我在下面的拟合中修复了con_c参数。如果拟合超过4个峰形的结果，则不需要。但是，为了说明，将Sin_app更改为

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

型
然后把结果和

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()

型
这导致最终图：
x1c 0d1x的数据
示出了具有误差条的峰中心的“数据”、拟合值和拟合的1-σ范围。

以下是如何修改Voigt_app函数来实现这一点：

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

字符串
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')

型