使用scipy.optimize.curve_fit拟合特定方程遇类型错误及拟合失效问题

1. 幂运算符报错的原因与修复 #

你遇到的bitwise_xor类型错误，是因为Python里^是按位异或运算符，不是幂运算。必须用**来表示幂计算，这一步你已经做对了，是正确的修复方式。

2. 部分数据拟合不匹配的问题分析与解决 #

你猜测的「负数开根生成虚数」是核心原因之一，结合你的代码和拟合函数，具体分析如下：

问题根源 #

你的拟合函数：

def law(x, i, a, bo, q, bi):
    return i * (1 + x / bo) ** (-a) * (1 - x / bi) ** q

当x >= bi时，1 - x/bi会变成非正数，而q是2.0-4.0之间的数（根据你的bounds），如果q是小数，非正数的小数次幂会产生虚数。curve_fit无法处理虚数输出，会导致拟合收敛失败，结果完全偏离数据。

具体解决步骤 #

（1）强制约束bi大于x的最大值

修改bounds中bi的下界，确保bi始终大于你的输入数据x（即SP_B [T]）的最大值：

import numpy as np

x_max = SP1['SP_B [T]'].max()
# 把bi的下界设为x_max的1.1倍，留出安全余量
fit = curve_fit(law, SP1['SP_B [T]'], SP1['SP_Ic [A]'],
                bounds=[(0, 0.0, 0.2, 2.0, x_max*1.1), 
                        (2000, 1.0, 2.0, 4.0, 100)])

（2）添加初始参数猜测（p0）

curve_fit默认初始参数全为1，和实际数据差距过大时容易收敛到局部最优。根据你的数据范围手动设置初始值，比如：

# 根据你的数据大致估算初始值，比如i设为Ic的最大值，bo设为x的中位数，bi设为x_max*1.2
p0 = [SP1['SP_Ic [A]'].max(), 0.5, 1.0, 3.0, x_max*1.2]
fit = curve_fit(law, SP1['SP_B [T]'], SP1['SP_Ic [A]'],
                p0=p0,
                bounds=[(0, 0.0, 0.2, 2.0, x_max*1.1), 
                        (2000, 1.0, 2.0, 4.0, 100)])

（3）在拟合函数中处理非正数情况（可选）

如果你的数据中确实存在x >= bi的情况，物理上Ic应该为0或无意义，可以在函数中添加判断，避免生成虚数：

def law(x, i, a, bo, q, bi):
    term1 = (1 + x / bo) ** (-a)
    # 当1-x/bi<=0时，term2设为0，避免虚数
    term2 = np.where(1 - x/bi > 0, (1 - x/bi)**q, 0)
    return i * term1 * term2

（4）检查参数边界的合理性

比如你的bo下界是0.2，要确保x/bo不会过大导致数值溢出；q的范围是2-4，若为整数则非正数的整数次幂合法，但如果是小数仍会有问题，所以优先保证bi > x_max更稳妥。

内容的提问来源于stack exchange，提问作者Idoia