Python多变量曲线拟合报错求助：TypeError及代码优化咨询

我用Python做含2个参数的多变量模型曲线拟合一直失败，查的文档大多是单变量拟合，参考帖子试了链接和解包操作后，还是一直报TypeError: can't multiply sequence by non-int of type 'float'，错误出在代码最后一行。除了修复这个错误，我的代码还需要改哪些地方才能得到更优解？y是模型输出，我是Python新手，之前试过把输入改成np.array但没用，求帮忙。

我的代码 #

import pandas as pd
import math
import numpy as np
from scipy.optimize
import curve_fit
L_data = np.array([0.856, 0.451])
t_data = np.array([0.398, 0.507])
y_data = np.array([0.63, 0.5])
def model(x, c1, c2):
  x = ([L, t])
return ((480 / c2) * (math.sqrt(((1 + (c1 ** 2)) / 3)) * np.cos((L * math.pi) / 6)) + c1 * (t + (1 / 3) * np.sin((L * math.pi) / 6))) ** (-1 / 0.19741)
xd = [L_data, t_data]
p0 = 0.003, 231
popt, pcov = curve_fit(model, xd, y_data, p0)

问题修复与优化建议 #

1. 修复核心错误（TypeError） #

• 导入语句错误：from scipy.optimize缺少连接符，应改为from scipy.optimize import curve_fit
• 模型函数输入处理错误：curve_fit传入多变量时，会把xd以二维数组形式传入model的x参数，你写的x = ([L, t])完全错误，需从x解包出L和t；同时要用numpy函数替代math函数（numpy数组无法直接用math函数运算）：

  def model(x, c1, c2):
      L, t = x  # 从输入数组解包两个变量
      term1 = np.sqrt((1 + c1**2)/3) * np.cos((L * np.pi)/6)
      term2 = t + (1/3)*np.sin((L * np.pi)/6)
      return ((480 / c2) * term1 + c1 * term2) ** (-1 / 0.19741)
  

• 输入数据格式错误：xd需调整为(样本数, 特征数)的二维数组，转置后每个样本对应一组[L,t]：xd = np.array([L_data, t_data]).T

2. 其他优化点 #

• 移除无用导入：代码中未用到pandas，可删除import pandas as pd减少冗余
• 解决欠定问题：你只有2个样本却要拟合2个参数，属于欠定问题，拟合结果不唯一，建议增加样本数量才能得到可靠参数
• 初始值与边界约束：确保p0初始值在合理范围，若知道参数的取值区间，可通过curve_fit的bounds参数限制，避免拟合发散，示例：

  # 假设c1∈[0,1]，c2∈[100,500]
  popt, pcov = curve_fit(model, xd, y_data, p0, bounds=((0, 100), (1, 500)))
  

• 添加拟合验证：拟合完成后计算预测值与真实值的误差，验证效果：

  y_pred = model(xd.T, *popt)
  mse = np.mean((y_pred - y_data)**2)
  print(f"拟合均方误差: {mse}")
  

修复后的完整代码 #

import numpy as np
from scipy.optimize import curve_fit

# 数据
L_data = np.array([0.856, 0.451])
t_data = np.array([0.398, 0.507])
y_data = np.array([0.63, 0.5])

# 修正后的模型函数
def model(x, c1, c2):
    L, t = x
    term1 = np.sqrt((1 + c1**2)/3) * np.cos((L * np.pi)/6)
    term2 = t + (1/3)*np.sin((L * np.pi)/6)
    return ((480 / c2) * term1 + c1 * term2) ** (-1 / 0.19741)

# 调整输入数据形状：(样本数, 特征数)
xd = np.array([L_data, t_data]).T

# 初始参数
p0 = [0.003, 231]

# 执行拟合
popt, pcov = curve_fit(model, xd, y_data, p0)

print(f"拟合得到的参数c1: {popt[0]}, c2: {popt[1]}")

# 验证拟合结果
y_pred = model(xd.T, *popt)
mse = np.mean((y_pred - y_data)**2)
print(f"拟合均方误差: {mse}")

内容的提问来源于stack exchange，提问作者Zack