基于Python的非线性最小二乘拟合报错及参数求解问题

问题描述 #

尝试基于二维数据求解最优参数，参考相关内容修改代码后运行报错：

TypeError: only size-1 arrays can be converted to Python scalars

自定义方程无法支持NumPy数组输入，需解决该问题并推导参数值。

原始代码 #

from scipy.optimize import curve_fit
import numpy as np
import matplotlib.pyplot as plt

t_data = np.array([0,5,10,15,20,25,27])
y_data = np.array([1771,8109,22571,30008,40862,56684,59101])

def func_nl_lsq(t, *args):
    K, A, L, b = args
    return math.exp(L*x)/((K+A*(b**x)))

popt, pcov = curve_fit(func_nl_lsq, t_data, y_data, p0=[1, 1, 1, 1])
plt.plot(t_data, y_data, 'o')
plt.plot(t_data, func_nl_lsq(t_data, *popt), '-')
plt.show()
print(popt[0], popt[1], popt[2], popt[3])

拟合公式与观测数据 #

拟合目标为经典增长模型，对应观测数据如下：

问题分析与解决 #

错误原因 #

1. 函数类型不匹配：使用Python标准库math.exp，该函数仅支持标量输入，无法处理NumPy数组，触发类型错误。
2. 变量名错误：函数参数定义为t，但公式中使用未定义的x，导致逻辑混乱。
3. 参数传递冗余：curve_fit要求自定义函数参数顺序为「自变量+待拟合参数」，*args写法易引发参数解析问题。

修正后的代码 #

from scipy.optimize import curve_fit
import numpy as np
import matplotlib.pyplot as plt

# 时间差数据（以1960年为基准）
t_data = np.array([0,5,10,15,20,25,27])
y_data = np.array([1771,8109,22571,30008,40862,56684,59101])

# 修正后的拟合函数：支持数组运算，变量名统一，参数格式符合curve_fit要求
def func_nl_lsq(t, K, A, L, b):
    return np.exp(L * t) / (K + A * (b ** t))

# 初始参数：根据数据增长趋势设置，提升拟合成功率
p0 = [1000, 500, 0.1, 1.2]
popt, pcov = curve_fit(func_nl_lsq, t_data, y_data, p0=p0)

# 可视化拟合结果
plt.plot(t_data, y_data, 'o', label='观测数据')
plt.plot(t_data, func_nl_lsq(t_data, *popt), '-', label='拟合曲线')
plt.legend()
plt.xlabel('年份差（以1960为基准）')
plt.ylabel('数值')
plt.show()

# 输出最优参数
print(f"拟合参数：K={popt[0]:.2f}, A={popt[1]:.2f}, L={popt[2]:.4f}, b={popt[3]:.4f}")

关键修正说明 #

• 替换math.exp为np.exp：利用NumPy函数的向量化特性，支持数组输入运算。
• 统一变量名：将公式中的x改为函数参数t，保证变量逻辑一致。
• 调整参数格式：直接将待拟合参数（K,A,L,b）作为显式参数，贴合curve_fit的参数解析规则。
• 优化初始参数：根据数据量级和增长趋势设置更合理的初始值，避免拟合发散。

额外优化建议 #

如果拟合出现发散，可通过bounds参数限制参数取值范围，例如：

# 约束参数为正数，b在1~2之间（符合增长模型逻辑）
popt, pcov = curve_fit(func_nl_lsq, t_data, y_data, p0=p0, bounds=(0, [np.inf, np.inf, 1, 2]))

内容的提问来源于stack exchange，提问作者Todd