scipy curve_fit与Python math模块兼容问题及解决方法咨询

为什么会触发报错？ #

scipy.optimize.curve_fit 在拟合过程中，会向你定义的目标函数传入numpy数组作为自变量 x。而Python标准库的math模块函数（比如math.sin、math.pow）都是为单个Python标量设计的，它们无法直接处理numpy数组类型的输入，这就导致了TypeError: only length-1 arrays can be converted to Python scalars错误。

你测试的f1能正常运行，是因为乘法、加法这类运算符已经被numpy数组重载过了，可以直接支持向量化运算；内置的pow同理，numpy数组实现了对应的魔法方法，所以能处理数组输入，但math.pow这类专属标量的函数不行。

解决方法：让math模块函数兼容curve_fit #

这里有两种常用的可行方案：

方案1：替换为numpy的对应函数（推荐）

numpy提供了所有math模块函数的向量化版本，这些函数原生支持numpy数组输入，运行效率也最高。修改你的代码如下：

from scipy.optimize import curve_fit
import numpy as np  # 直接导入numpy，使用它的数学函数

x_axis = np.asarray([np.pi * i / 6 for i in range(-6, 7)])
y_axis = np.asarray([np.sin(i) for i in x_axis])

def f1(x, m, n):
    return m * x + n
coeff1, mat = curve_fit(f1, x_axis, y_axis)
print(coeff1)

def f2(x, m, n):
    return m * np.sin(x) + n  # 用np.sin代替math.sin
coeff2, mat = curve_fit(f2, x_axis, y_axis)
print(coeff2)

方案2：用numpy.vectorize包装math函数（适合必须用math函数的场景）

如果你因为某些原因必须使用math模块的函数，可以用np.vectorize把它包装成支持数组输入的函数。注意：vectorize本质是循环处理数组元素，效率不如原生numpy函数，仅适合简单场景。

修改示例：

from scipy.optimize import curve_fit
from math import sin, pi
import numpy as np

x_axis = np.asarray([pi * i / 6 for i in range(-6, 7)])
y_axis = np.asarray([sin(i) for i in x_axis])

# 把math.sin包装成支持数组输入的函数
vec_sin = np.vectorize(sin)

def f2(x, m, n):
    return m * vec_sin(x) + n  # 使用包装后的函数
coeff2, mat = curve_fit(f2, x_axis, y_axis)
print(coeff2)

内容的提问来源于stack exchange，提问作者Mr. T