不等长向量的多变量非线性回归：curve_fit适配问题

首先得明确：curve_fit不可能直接支持不等长的自变量数组——因为拟合的核心逻辑是每个因变量z的观测点，都必须对应一组唯一的(x,y)自变量组合。你的代码里x有101个点、y只有90个点，程序根本不知道哪一个x对应哪一个y，自然会报广播错误。

解决这个问题的关键，是先对齐你的数据，让x、y、z的长度完全一致，具体分两种常见场景处理：

场景1：x和y是网格坐标轴（z是二维网格数据） #

如果你的x和y是二维网格的两个轴（比如x是横轴、y是纵轴，z是网格上的高度值），那需要把网格转换成一维的点对数组，同时把z也展平成一维：

import numpy as np
from scipy.optimize import curve_fit

def func(X, a, b, c):
    x, y = X
    return np.log(a) + b*np.log(x) + c*np.log(y)

# 原始不等长的轴数据
x = np.linspace(0.1,1.1,101)
y = np.linspace(1.,2., 90)
a, b, c = 10., 4., 6.

# 生成网格点并展平为一维数组
x_grid, y_grid = np.meshgrid(x, y, indexing='ij')  # 保持x/y的轴对应关系
x_flat = x_grid.flatten()
y_flat = y_grid.flatten()

# 生成对应二维网格的z，再展平
z_grid = func((x_grid, y_grid), a, b, c) + np.random.random(x_grid.shape) / 100
z_flat = z_grid.flatten()

# 现在x_flat、y_flat、z_flat长度一致，可以正常拟合
p0 = [8., 2., 7.]
params, cov = curve_fit(func, (x_flat, y_flat), z_flat, p0)
print("拟合参数：", params)

场景2：部分自变量有缺失值 #

如果你的z有101个点，但其中只有90个点有对应的y值，剩下11个y缺失，那需要做数据对齐：

方案A：截断多余数据 #

直接删掉没有对应y的x和z点，让三者长度一致：

# 取前90个x和z，和y的长度匹配
x_aligned = x[:90]
z_aligned = z[:90]

p0 = [8., 2., 7.]
params, cov = curve_fit(func, (x_aligned, y), z_aligned, p0)

方案B：插值补全缺失的自变量 #

用插值方法把y补全到x的长度，这样所有z点都有对应的(x,y)：

# 将y插值到和x相同的长度
y_interp = np.interp(np.linspace(0, 1, len(x)), np.linspace(0, 1, len(y)), y)

p0 = [8., 2., 7.]
params, cov = curve_fit(func, (x, y_interp), z, p0)

总结 #

本质上，不是curve_fit不支持不等长数组，而是统计拟合的逻辑要求每个观测点必须有完整的自变量组合。你必须先根据数据的实际含义，把x、y、z处理成长度一致的数组，才能进行拟合。

内容的提问来源于stack exchange，提问作者Jiles