如何泛化拟合函数，使SciPy curve_fit自动推断输入参数数量

我开发了一个程序，可生成带有可变数量未知变量的SymPy lambdify符号函数。我希望无需显式传递变量的准确数量，即可使用curve_fit工具对该函数进行拟合。

现有可运行代码如下：

import numpy as np
import matplotlib as mpl
mpl.use('TkAgg')
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
from scipy import integrate
import sympy as sy


def step_function(t, start, end):
    return 1 * ((t >= start) & (t < end))


def gen_data(x_data, model, gradients, offset=0, noise=0.1):  # generate some fake data
    y = [model(x, offset, gradients[0], gradients[1], gradients[2]) for x in x_data]
    y = np.asarray(y, dtype=np.float32)
    if noise:
        y += np.random.normal(0, 1, 100)
    return y


t, a = sy.symbols('t, a')
grad_symbols = sy.symbols('b, c, d')
x = np.arange(0, 100)
gradient_changes = [0, 30, 60, 100]
gradients = [1, 2, -4]
grad = []

for t1, t2, LFD in zip(iter(gradient_changes[::1]), iter(gradient_changes[1::1]), iter(grad_symbols)):
    grad.append(((t - t1) * LFD) * sy.SingularityFunction(t, t1, gradient_changes[-1]))

data_model = sy.lambdify((t, a) + grad_symbols,
                          a + sum(grad), ({'SingularityFunction': step_function}, 'numpy'))

y = gen_data(x, data_model, gradients, noise=0.1)

fig, ax = plt.subplots()  # Create a figure containing a single axes.
ax.plot(x, y, label='Data')

popt, pcov = curve_fit(data_model, x, y)

fit_line = [data_model(time, popt[0], popt[1], popt[2], popt[3]) for time in x]
ax.plot(x, fit_line, label='Fit')

当前curve_fit可识别lambdify表达式的参数数量，但由于数据非瞬时性，我实际需要拟合函数在每个点附近的积分值。我尝试使用如下带星号表达式的拟合函数：

def fit_func(x, *inputs):
    # find the average value of the model about each point
    return [integrate.quad(data_model, _x - 1 / 2, _x + 1 / 2, args=inputs)[0] for _x in x]

并通过popt, pcov = curve_fit(fit_func, x, y)进行拟合，但目前报错：ValueError: Unable to determine number of fit parameters。请问该方法是否可行？如何解决该问题？

这个方法是可行的，报错的核心原因是curve_fit无法通过带*inputs的函数自动推断需要拟合的参数数量。解决思路是给curve_fit提供初始参数猜测值p0，让它明确知道参数的数量，具体实现如下：

1. 动态获取参数数量：从data_model的定义可知，参数包含偏移量a加上所有梯度符号，可通过1 + len(grad_symbols)动态计算，避免硬编码。
2. 生成初始参数猜测：用全1数组或基于数据的合理值作为初始猜测（比如根据原始数据的偏移和梯度范围调整）。
3. 调用curve_fit时传入p0：

修改后的拟合代码如下：

# 动态计算需要拟合的参数总数
param_count = 1 + len(grad_symbols)
# 生成初始参数猜测值
p0 = np.ones(param_count)

# 传入p0调用curve_fit
popt, pcov = curve_fit(fit_func, x, y, p0=p0)

# 绘制积分后的拟合曲线
fit_line = fit_func(x, *popt)
ax.plot(x, fit_line, label='Integrated Fit')
ax.legend()
plt.show()

额外优化建议：如果数据量较大，循环调用integrate.quad会影响效率，可考虑将积分逻辑向量化，或者预先推导积分后的解析表达式（利用SymPy的积分功能直接生成积分后的符号函数，再转为lambdify函数），进一步提升拟合速度。

内容的提问来源于stack exchange，提问作者Kurtresponse