如何用Python优化多组固定z直线拟合的双变量函数参数？

1. 数据预处理 #

把所有组的x、y、z数据合并成三个一维数组（或numpy数组），方便统一处理。示例数据整理如下：

import numpy as np

# 合并示例数据
x = np.array([0,1,2,3,4, 0,1,2,3,4, 0,1,2,3,4])
y = np.array([1,2,3,4,5, 2,4,6,8,10, 3,6,9,12,15])
z = np.array([1,1,1,1,1, 2,2,2,2,2, 3,3,3,3,3])

2. 核心拟合实现 #

使用scipy.optimize.curve_fit求解最优参数，该工具计算效率远高于Excel Solver，支持线性/非线性拟合。

定义拟合模型 #

按照你给出的统一函数，定义模型：

def linear_z_model(x_z, a1, b1, a2, b2):
    x, z = x_z  # 拆分自变量x和参数z
    slope = a1 * z + b1
    intercept = a2 * z + b2
    return slope * x + intercept

执行拟合 #

from scipy.optimize import curve_fit

# 初始参数猜测（可根据经验设置，也用[0,0,0,0]）
initial_guess = [1, 0, 1, 0]
# 执行拟合，得到最优参数和协方差矩阵
params, cov = curve_fit(linear_z_model, (x, z), y)

a1_opt, b1_opt, a2_opt, b2_opt = params
print(f"最优参数：a1={a1_opt:.4f}, b1={b1_opt:.4f}, a2={a2_opt:.4f}, b2={b2_opt:.4f}")

评估拟合误差 #

用均方根误差（RMSE）量化拟合效果：

y_pred = linear_z_model((x, z), *params)
rmse = np.sqrt(np.mean((y - y_pred)**2))
print(f"拟合RMSE：{rmse:.4f}")

3. 测试不同拟合函数 #

若要尝试斜率/截距与z的其他关系（如二次函数、指数函数），只需修改模型函数即可。例如测试二次斜率模型：

def quadratic_z_model(x_z, a1, b1, c1, a2, b2):
    x, z = x_z
    slope = a1 * z**2 + b1 * z + c1
    intercept = a2 * z + b2
    return slope * x + intercept

# 拟合二次模型
initial_guess_quad = [0,1,0,1,0]
params_quad, cov_quad = curve_fit(quadratic_z_model, (x, z), y)
y_pred_quad = quadratic_z_model((x, z), *params_quad)
rmse_quad = np.sqrt(np.mean((y - y_pred_quad)**2))

print(f"二次模型RMSE：{rmse_quad:.4f}")

对比不同模型的RMSE，选择误差最小的即可。

4. 拟合直线数量的限制 #

Python的numpy和scipy对数据量几乎无限制，只要内存能容纳数据（15组甚至上百组都没问题），拟合过程就能高效完成。相比Excel，Python在多组数据处理上的速度和稳定性优势明显。

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