使用scipy.optimize.fmin拟合曲线时遇ValueError问题求助

核心错误原因 #

你遇到的ValueError: Unable to coerce to Series, length must be 11: given 0，根源在于**scipy.optimize.fmin的args参数传递错误**：

• args=(df) 并不是一个元组，Python会直接返回括号内的单个变量，导致fmin调用fit函数时，会把DataFrame的每一列作为单独参数传入，而非将整个DataFrame作为第二个参数。
• 正确写法应为args=(df,)，用逗号明确这是包含单个元素的元组。

拟合函数优化 #

你的fit函数用列表推导式遍历计算残差，效率较低且易出错。利用numpy和pandas的向量化运算可简化代码、提升性能：

• 直接对整列数据做向量运算，无需手动遍历每一行
• 用np.sum()替代Python内置sum()，更适配numpy数组计算

修正后的fit函数：

import numpy as np

def fit(guesses, df):
    a, b, c = guesses
    # 向量化计算模型预测值与真实值的残差
    y_pred = (a + b * np.log10(df['x'])) * ((df['x'] - c) / df['x'])
    residuals = y_pred - df['y']
    # 计算残差平方和
    return np.sum(np.square(residuals))

初始猜测值调整 #

你设置的初始猜测a=1, b=2, c=3与数据量级严重不匹配：

• x量级为10⁻⁷，log10(x) = -7，代入后a + b*log10(x) = 1 + 2*(-7) = -13
• (x - c)/x ≈ (1e-7 - 3)/1e-7 ≈ -3e7，预测值会达到-13 * (-3e7) = 3.9e8，而y量级仅为10⁻¹，残差过大可能导致拟合失败。

建议调整为贴合数据量级的初始猜测：

a_guess = 0.1  # 接近y的量级
b_guess = -0.02  # 抵消log10(x)的负值，让a + b*log10(x)处于合理范围
c_guess = 0  # 或略小于x的最小值，比如1e-8
guesses = [a_guess, b_guess, c_guess]

完整修正代码 #

import pandas as pd
import numpy as np
from scipy import optimize

def fit(guesses, df):
    a, b, c = guesses
    y_pred = (a + b * np.log10(df['x'])) * ((df['x'] - c) / df['x'])
    residuals = y_pred - df['y']
    return np.sum(np.square(residuals))

# 假设df是你的8行DataFrame
# df = pd.DataFrame(...)

# 调整后的初始猜测
guesses = [0.1, -0.02, 0]

# 正确传递args参数
result = optimize.fmin(fit, guesses, args=(df,))
print("拟合得到的系数a, b, c:", result)

额外注意事项 #

• 确保df['x']中无0值，否则log10(x)或(x - c)/x会报错
• 若拟合仍不稳定，可尝试对数据做标准化处理（如x取log10后拟合、y缩放），或改用scipy.optimize.curve_fit（无需手动编写残差平方和函数，更适配曲线拟合场景）

内容的提问来源于stack exchange，提问作者user2386010