如何用Python的optimization.curve_fit求解y=ax+b最优参数？报错排查

错误原因 #

你的func函数定义完全不符合scipy.optimize.curve_fit的要求：

• curve_fit要求拟合函数的格式为func(x, *params)，即第一个参数是自变量x，后续是待拟合的参数（这里是a、b），函数返回基于x和参数计算出的预测y值，用来和真实ydata做误差对比。
• 你错误地把y作为函数参数传入，还返回布尔值（y == a*x + b是判断等式是否成立，返回True/False数组），这导致curve_fit调用时无法正确传递参数，从而触发报错。

修复后的代码 #

import numpy as np
from scipy.optimize import curve_fit  # 确保正确导入模块

# 正确定义拟合函数：输入x和参数a、b，返回预测的y值
def func(x, a, b):
    return a * x + b

xdata = np.array(time1_list)
ydata = np.array(phi1_list)
# 初始猜测：对应参数a和b的初始值
initial_guess = np.array([0.0, 0.0])

# 调用curve_fit，获取最优参数和协方差矩阵
params, covariance = curve_fit(func, xdata, ydata, p0=initial_guess)

# 输出结果
print(f"最优参数a: {params[0]}, b: {params[1]}")

关键说明 #

• 拟合函数仅需接收自变量x和待优化的参数，返回预测的y值，无需传入真实ydata。
• curve_fit会自动将xdata传入函数的第一个参数，然后调整后续参数（a、b），使预测值与ydata的误差平方和最小（即最小二乘法逻辑）。
• 若你之前用的optimization是scipy.optimize的别名，需确保已正确导入，比如import scipy.optimize as optimization。

内容的提问来源于stack exchange，提问作者Rory Fitzpatrick