如何用Scipy拟合含未知形状参数矩阵C的函数？

核心问题是scipy的拟合函数仅支持一维参数数组，而你的系数矩阵C是运行时确定形状的二维结构（甚至可能每行长度不一致）。解决方案是将C扁平化作为拟合参数，同时提前记录C的形状信息，在拟合函数内部将参数恢复为原结构。

方案一：使用scipy.optimize.curve_fit #

步骤说明 #

1. 提取C的形状信息：行数、每行的列数列表
2. 用闭包封装形状信息，生成符合curve_fit要求的目标函数（输入为自变量数组+扁平化参数，输出为预测值数组）
3. 将初始C扁平化作为初始参数，执行拟合
4. 将拟合得到的扁平化参数恢复为原C结构

代码示例 #

import numpy as np
from scipy.optimize import curve_fit

def make_fit_func(rows, cols_per_row):
    """生成拟合用的目标函数，封装C的形状信息"""
    def fit_func(x, *params):
        x0, x1 = x
        # 将扁平化参数恢复为C的结构
        C = []
        idx = 0
        for cols in cols_per_row:
            row = np.array(params[idx:idx+cols])
            C.append(row)
            idx += cols
        
        # 向量化计算预测值（避免循环样本，提升效率）
        result = 0.0
        for i in range(rows):
            # 计算x0的各次幂：shape=(样本数, 该行列数)
            x0_pows = x0[:, None] ** np.arange(cols_per_row[i])
            # 计算x1的i次幂：shape=(样本数,)
            x1_pow = x1 ** i
            # 累加该行的贡献
            result += (x0_pows @ C[i]) * x1_pow
        return result
    return fit_func

# ---------------------- 示例：生成测试数据 ----------------------
# 真实系数矩阵（形状运行时确定）
true_C = [[1.2, 0.8], [0.9]]
rows = len(true_C)
cols_per_row = [len(row) for row in true_C]
# 扁平化初始参数（可加噪声模拟初始猜测）
initial_params = np.concatenate(true_C) + np.random.normal(0, 0.1, size=len(np.concatenate(true_C)))

# 生成自变量样本
x0 = np.linspace(0, 5, 100)
x1 = np.linspace(0, 3, 100)
# 生成带噪声的目标值
y_true = []
for xi, yi in zip(x0, x1):
    r = 0
    for i in range(rows):
        for j in range(len(true_C[i])):
            r += xi**j * yi**i * true_C[i][j]
    y_true.append(r)
y = np.array(y_true) + np.random.normal(0, 0.2, size=len(y_true))

# ---------------------- 执行拟合 ----------------------
fit_func = make_fit_func(rows, cols_per_row)
popt, pcov = curve_fit(fit_func, (x0, x1), y, p0=initial_params)

# 将拟合参数恢复为C结构
fitted_C = []
idx = 0
for cols in cols_per_row:
    fitted_C.append(popt[idx:idx+cols].tolist())
    idx += cols

print("真实C:", true_C)
print("拟合C:", fitted_C)

方案二：使用scipy.optimize.least_squares #

least_squares需要残差函数（预测值与真实值的差），思路与curve_fit一致，仅需调整函数签名为接受扁平化参数，返回残差数组。

代码示例 #

import numpy as np
from scipy.optimize import least_squares

def make_residual_func(x0, x1, y_true, rows, cols_per_row):
    """生成残差函数，封装数据和C的形状信息"""
    def residual_func(params):
        # 将扁平化参数恢复为C的结构
        C = []
        idx = 0
        for cols in cols_per_row:
            row = np.array(params[idx:idx+cols])
            C.append(row)
            idx += cols
        
        # 向量化计算预测值
        result = 0.0
        for i in range(rows):
            x0_pows = x0[:, None] ** np.arange(cols_per_row[i])
            x1_pow = x1 ** i
            result += (x0_pows @ C[i]) * x1_pow
        # 返回残差
        return result - y_true
    return residual_func

# 使用示例数据（同方案一）
residual_func = make_residual_func(x0, x1, y, rows, cols_per_row)
result = least_squares(residual_func, initial_params)

# 恢复拟合的C结构
fitted_C_ls = []
idx = 0
for cols in cols_per_row:
    fitted_C_ls.append(result.x[idx:idx+cols].tolist())
    idx += cols

print("least_squares拟合C:", fitted_C_ls)

关键注意点 #

• 若样本量较大，务必使用向量化计算替代循环，避免性能瓶颈
• 初始参数p0需根据实际情况合理设置，若初始值偏离过大可能导致拟合失败
• 对于不规则形状的C（如示例中的[[1.,1.],[1.]]），代码同样适用，只需正确传递cols_per_row列表即可

内容的提问来源于stack exchange，提问作者Bagnarol