scipy curve_fit分段非线性拟合：依参数选择函数分支问题

不需要额外安装其他模块，直接使用numpy自带的向量化条件操作即可适配scipy.optimize.curve_fit的数组传参逻辑。
报错的核心原因是：curve_fit传入的自变量t为numpy数组格式，直接写if theta <= 1.281是尝试对整个布尔数组做单值真值判断，numpy不支持这类隐式转换，因此会抛出要求使用any()/all()的报错。

方法1：使用np.where实现逐元素分支选择（推荐，性能最优） #

np.where可以逐元素判断条件，满足条件的位置取第一个分支的计算结果，不满足的取第二个分支的计算结果，完全适配数组运算，修改后的代码如下：

import numpy as np
from scipy.optimize import curve_fit

def MahonOldham(t, D:'m^2/s', c:'mM'):
    n = 1
    F = 96485     # A s / mol
    pi = np.pi  # 直接调用numpy内置圆周率，比手动写3.14精度更高
    a = 12.5 * 10**-6  # m
    D_scaled = D * 10**-10  # 避免直接修改入参D引发潜在逻辑问题
    theta = D_scaled * t / a**2

    # 先分别计算两个分段的factor值
    factor_low = 1/(np.sqrt(pi*theta)) + 1 + np.sqrt(theta/(4*pi)) - 3*theta/25 + (3*theta**(3/2))/226
    factor_high = 4/pi + 8/np.sqrt(pi**5*theta) + 25*theta**(-3/2)/2792 - theta**(-5/2)/3880 - theta**(-7/2)/4500
    
    # 逐元素根据theta阈值选择对应分支的计算结果
    factor = np.where(theta <= 1.281, factor_low, factor_high)
    
    I = n * pi * F * c * D_scaled * a * factor
    return I * 10**9

该方法中两个分支的计算会对全量数组执行，再通过np.where筛选有效值，由于numpy向量化运算开销极低，整体运行速度比逐元素循环快几个数量级，是拟合场景下的首选方案。

方法2：使用np.vectorize包装标量逻辑（适合多分支复杂场景） #

如果后续分段逻辑更复杂（比如分支数超过2个、判断条件嵌套多），可以先写好支持标量输入的函数逻辑，再用np.vectorize包装成支持数组输入的版本，写法和最初的逻辑几乎一致，缺点是性能比纯numpy向量化运算差：

import numpy as np
from scipy.optimize import curve_fit

def _MahonOldham_scalar(t, D_scaled, c, pi, a, n, F):
    theta = D_scaled * t / a**2
    if theta <= 1.281:
        factor = 1/(np.sqrt(pi*theta)) + 1 + np.sqrt(theta/(4*pi)) - 3*theta/25 + (3*theta**(3/2))/226
    else:
        factor = 4/pi + 8/np.sqrt(pi**5*theta) + 25*theta**(-3/2)/2792 - theta**(-5/2)/3880 - theta**(-7/2)/4500
    I = n * pi * F * c * D_scaled * a * factor
    return I * 10**9

def MahonOldham(t, D:'m^2/s', c:'mM'):
    n = 1
    F = 96485
    pi = np.pi
    a = 12.5 * 10**-6
    D_scaled = D * 10**-10
    # 包装为支持数组输入的向量化版本
    calc_vec = np.vectorize(_MahonOldham_scalar, excluded=['D_scaled','c','pi','a','n','F'])
    return calc_vec(t=t, D_scaled=D_scaled, c=c, pi=pi, a=a, n=n, F=F)

额外注意事项 #

• 不建议用Python原生for循环逐元素判断计算，数据量稍大时拟合速度会极慢
• 原代码直接修改入参D *= 10**-10在部分scipy版本下可能引发入参污染的潜在问题，建议单独定义缩放后的D变量
• 手动赋值pi=3.14精度不足，直接使用np.pi可以避免圆周率精度带来的拟合误差

内容的提问来源于stack exchange，提问作者sylvanas