如何用Python遗传编程从DataFrame的x、y数据推导未知函数公式？

1. 选择合适的遗传编程库 #

Python中针对符号回归（从数据推导函数公式）的常用遗传编程（GP）库有两个方向：

• gplearn：封装度高，API简洁，专门为符号回归场景设计，适合快速实现需求
• deap：灵活性极强，支持自定义遗传逻辑，适合需要深度定制的场景

这里以gplearn为例展开，它能直接输出可读的函数表达式，上手成本低。

2. 数据预处理 #

确保你的DataFrame满足以下基础要求：

• 自变量x和因变量y均为数值型，无缺失值、异常值（可提前用df.dropna()、df.describe()做校验）
• 将x转换为二维特征矩阵（即使只有单个自变量，也需保持二维格式，匹配模型输入要求）
• 将y转换为一维目标数组

3. 配置并运行遗传编程模型 #

使用gplearn的SymbolicRegressor类，核心参数可按需调整：

• generations：遗传迭代的代数，数值越大越可能找到更优公式，但耗时更长
• population_size：每一代的种群规模，规模越大搜索空间越广
• function_set：允许使用的数学操作符，例如['add', 'sub', 'mul', 'div', 'pow', 'sqrt']
• metric：适应度评估指标，默认用均方误差（MSE），也可指定r2等

4. 完整示例代码 #

import pandas as pd
from gplearn.symbolic import SymbolicRegressor
from sklearn.model_selection import train_test_split

# 替换为你的实际DataFrame
df = pd.DataFrame({
    'x': [0.5, 1.2, 2.0, 3.1, 4.5, 5.8],
    'y': [1.25, 2.44, 5.0, 10.61, 21.25, 34.64]  # 对应y = x² + 1
})

# 数据格式转换
X = df[['x']].values
y = df['y'].values

# 可选：划分训练/测试集验证泛化能力
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化GP模型
gp_model = SymbolicRegressor(
    generations=25,
    population_size=800,
    function_set=['add', 'sub', 'mul', 'pow'],
    metric='mse',
    random_state=42
)

# 拟合数据
gp_model.fit(X_train, y_train)

# 输出推导的函数公式
print("推导的函数表达式：", gp_model._program)

# 可选：评估模型性能
print("训练集R²得分：", gp_model.score(X_train, y_train))
print("测试集R²得分：", gp_model.score(X_test, y_test))

5. 结果优化建议 #

• 如果推导公式不够准确，可尝试增大generations或population_size，扩展function_set加入更多数学操作（如log、sin）
• 若数据存在噪声，可在模型参数中设置max_samples，用部分数据训练提升鲁棒性
• 如需完全自定义遗传规则（如选择、交叉、变异逻辑），可切换到deap库，通过定义个体、适应度函数等实现定制化GP流程

内容的提问来源于stack exchange，提问作者José Lorente López