使用scipy.minimize求解方程时如何在lambda中定义依赖x的LHS、RHS避免x未定义报错

你之前尝试提前赋值LHS、RHS的写法，问题出在执行顺序不对：

• 当你在test_david函数内部，直接写LHS=f1(a,b,c,x)[0]这类代码时，程序是自上而下顺序执行的，这一步还没轮到minimize求解器启动，根本没有任何叫x的变量存在，Python自然会抛出“x未定义”的错误。
• scipy求解器的逻辑很直接：你传给它的目标函数，是求解器在迭代过程中，每猜一个x值，就把这个x丢给目标函数计算对应的目标值。所有要用到x的计算，都必须等目标函数拿到x参数之后再执行，不能在函数外面提前把x值“定死”。

完全不用把所有逻辑挤在一行lambda里，只要把LHS、RHS的计算逻辑，放进能接收到x入参的目标函数内部，就能完美实现你想要的拆分效果，代码可读性也会大幅提升，哪怕方程复杂度极高也能逐行调试。
修改后的示例代码如下：

from scipy.optimize import minimize_scalar    
def test_david(a,b,c):
    def f1(a,b,c,x):
        return a*x -1, (b+c)*x**2   # 对应原示例方程：2x-1 = x²，等价于x²-2x+1=0
    # 定义求解器专用的目标函数，入参就是求解器会传入的未知量x
    def target(x):
        # 每次拿到求解器传入的x值后，再临时计算左右侧表达式
        LHS = f1(a,b,c,x)[0]
        RHS = f1(a,b,c,x)[1]
        # 复杂方程的其他中间计算逻辑可以全部加在这里，不会挤成一团
        return (LHS - RHS)**2
    res = minimize_scalar(target, bounds=(-5, 5), method='bounded')
    return res

这种写法的核心优势：

• 从根源上避免x未定义的报错：所有依赖x的计算，都发生在target函数收到求解器传过来的合法x值之后，计算LHS、RHS的时候x已经是有效变量
• 完美适配复杂方程场景：哪怕方程有十几层嵌套、十几个中间推导步骤，都可以在target函数里面逐行拆分、逐行调试，不用把所有逻辑硬塞成一行lambda
• 计算逻辑完全符合预期：最终目标函数的值依然是(LHS-RHS)**2，和你本来想写的表达式形式一模一样，不会引入计算偏差

如果你嫌单独写target函数太麻烦，不想多写一行函数定义，也可以用Python的海象运算符，在lambda内部临时给LHS、RHS赋值，实现同样的效果。不过这种写法适合简单场景，真的面对复杂方程时，调试友好度远不如单独定义target函数：

from scipy.optimize import minimize_scalar    
def test_david(a,b,c):
    def f1(a,b,c,x):
        return a*x -1, (b+c)*x**2
    res = minimize_scalar(
        lambda x: (LHS - RHS)**2 
                  if (LHS := f1(a,b,c,x)[0], RHS := f1(a,b,c,x)[1]) else None,
        bounds=(-5, 5),
        method='bounded'
    )
    return res

内容的提问来源于stack exchange，提问作者Chen Lizi