Python中适用于时间序列的类Excel单变量求解（Goal Seek）工具

当然有，你可以利用Python的科学计算库实现类似Excel Goal Seek的功能，且完美适配时间序列场景——因为每个时间戳的方程都是独立的，只需对每个时间点的变量值单独求解，最终得到的解自然是同长度的时间序列。

核心思路 #

对时间序列中的每一组Var1、Var2、Var3值，求解目标方程（示例为(Var1/X) + (X*Var2) = Var3），将每个时间点的解组合起来就是目标时间序列X。

工具与代码示例 #

使用scipy.optimize.root_scalar（针对单变量方程求解）结合Pandas处理时间序列：

1. 导入依赖库

import pandas as pd
import numpy as np
from scipy.optimize import root_scalar

2. 定义求解函数
   针对单个时间点的变量值，定义方程的残差函数（即方程左侧减右侧，目标是找到让残差为0的X）：

def solve_single_x(v1, v2, v3):
    def residual(x):
        # 替换为你实际的复杂方程，示例为 (v1/x) + (x*v2) - v3 = 0
        return (v1 / x) + (x * v2) - v3
    
    try:
        # 使用brentq方法（需指定搜索区间，根据你的数据设置合理范围）
        result = root_scalar(residual, method='brentq', bracket=[1e-6, 1e6])
        return result.root if result.converged else np.nan
    except (ValueError, RuntimeError):
        # 处理无解或收敛失败的情况，返回NaN
        return np.nan

3. 应用到整个时间序列
   用Pandas的apply或NumPy的vectorize批量处理每一行数据：

# 假设df是你的时间序列DataFrame
df['X'] = df.apply(lambda row: solve_single_x(row['Var1'], row['Var2'], row['Var3']), axis=1)

# 若数据量较大，用np.vectorize加速
vectorized_solve = np.vectorize(solve_single_x)
df['X'] = vectorized_solve(df['Var1'], df['Var2'], df['Var3'])

复杂方程适配 #

如果你的实际方程是非线性、含超越函数（如指数、对数）或有约束条件，只需修改residual函数即可：

• 若X必须大于0：保持bracket的下限为正数
• 若方程是高次多项式：可改用newton方法（需提供初始猜测值）
• 若需最小化残差（而非严格等于0）：可使用scipy.optimize.minimize，将目标设为残差的平方和

性能优化 #

对于大规模时间序列，可通过并行处理提升速度：

• 使用swifter库加速Pandas的apply操作
• 利用multiprocessing模块实现多进程并行求解

内容的提问来源于stack exchange，提问作者user20856754