CVXPY中Variable作numpy索引触发IndexError的建模问题

你遇到的报错核心是CVXPY的优化变量不能作为numpy数组的切片索引：y_pred >= cut返回的是CVXPY约束对象，不是numpy布尔数组，无法给revenue/roi这类numpy数组做动态筛选。
除此之外原始建模还有两处不符合CVXPY语法规则的问题：

• cp.sum_largest的第二个参数必须是固定正整数，不能传入优化变量n
• 动态筛选集合的求和、求均值逻辑，无法通过运行时切片实现，需要用大M法引入二进制指示变量重构筛选逻辑。

针对LTV阈值筛选的场景，引入长度为客户总数的二进制优化变量z，z[i] = 1代表第i个客户通过cut阈值被选中，z[i] = 0代表未被选中，把所有动态筛选逻辑转化为线性约束：

1. 阈值准入约束：如果客户被选中（z[i]=1），必须满足预测LTVy_pred[i] >= cut，用大M法写为y_pred[i] + M*(1 - z[i]) >= cut，其中M取大于y_pred最大值减最小值的常数即可，保证z[i]=0时约束恒成立。
2. ROI约束：所有被选中客户的平均ROI不低于1.1，等价于总ROI贡献≥1.1*选中客户数，即cp.sum(cp.multiply(z, roi)) >= 1.1 * cp.sum(z)，避免动态切片求均值。
3. 目标函数：业务场景中通常触达客户数由预算决定为固定值k，目标就是最大化选中客户的收入总和，等价于原逻辑中过线客户top k的收入和最大化。如果需要把选中人数n作为优化变量，补充成本、预算类约束即可。

import cvxpy as cp
import numpy as np
import scipy.stats as st

# 模拟数据
t = 100
np.random.seed(1)
y_pred = st.norm.rvs(1, 0.5, size=t)
roi = st.norm.rvs(1, 0.5, size=t)
revenue = st.halfnorm.rvs(0, 0.5, size=t)

# 超参数：固定选中客户数，可根据业务调整
select_k = 20
# 大M常数，取足够大的值保证约束逻辑正确
M = y_pred.max() - y_pred.min() + 1

# 优化变量
cut = cp.Variable(1)
z = cp.Variable(t, boolean=True)  # 二进制选择变量

# 约束
constraints = [
    cp.sum(z) == select_k,  # 固定选select_k个客户
    # 阈值准入约束：z[i]=1时必须满足y_pred[i] >= cut
    y_pred + M * (1 - z) >= cut,
    # 平均ROI >=1.1 约束
    cp.sum(cp.multiply(z, roi)) >= 1.1 * cp.sum(z)
]

# 目标：最大化选中客户的总收入
objective = cp.Maximize(cp.sum(cp.multiply(z, revenue)))
prob = cp.Problem(objective, constraints)

# 求解，用支持混合整数规划的开源求解器CBC
result = prob.solve(solver=cp.CBC)

# 业务落地用实际入选客户的最小预测LTV作为cut，避免数值精度误差
selected_mask = z.value > 0.5
actual_cut = y_pred[selected_mask].min()
print(f"最优截止阈值cut: {actual_cut:.4f}")
print(f"选中客户总收入: {result:.4f}")
print(f"选中客户平均ROI: {roi[selected_mask].mean():.4f}")

• 如果不需要固定选中人数，可以把cp.sum(z) == select_k约束替换为业务约束（比如总成本上限、触达量上下限等），目标保持最大化总收入即可。
• 求解需要安装支持混合整数规划的求解器，开源选项CBC可通过pip install cbcpy安装，也可替换为GLPK、Gurobi等其他求解器。
• 求解得到的selected_mask中值为True的索引就是最终选中的客户，直接取这些客户的最小y_pred作为落地阈值即可，不需要额外优化cut的取值。

内容的提问来源于stack exchange，提问作者Mithril