嘿，我来帮你搞定这个优化问题！先拆解下你当前代码里的几个核心问题，再给你一个能跑通且完全符合需求的解决方案~

首先，你的核心需求是对DataFrame的每一行，调整a和b的值，让计算出的spread尽可能贴近target，本质是最小化两者的误差。但当前代码有几个关键逻辑没踩对：

1. scipy.optimize.minimize的输入逻辑错了：它需要的是一个以**待优化变量（这里是单组a、b）**为参数的函数，而不是直接接收整个DataFrame
2. 没传优化初始值x0，这是minimize的必填参数，优化器得有个起点才能迭代
3. 直接最小化diff = target - spr会跑偏：优化器可能会让spr变得极大，让diff变成极小的负数，这完全不是你想要的——我们要的是最小化误差的大小，用平方差才是正确的方向

修正后的完整可运行方案 #

我调整了目标函数结构，改成行级独立优化的模式，具体代码如下：

import numpy as np
import pandas as pd
from scipy.optimize import minimize

# 先构造示例DataFrame（你可以直接替换成自己的真实数据）
df = pd.DataFrame({
    'a': [1.0, 2.0, 3.0],
    'b': [2.0, 3.0, 4.0],
    'target': [0.1, 0.2, 0.05]
})

# 重写目标函数：输入待优化的[a,b]数组+该行target，返回要最小化的平方误差
def objective(x, target):
    a, b = x
    # 加个小防护：避免a+b趋近于0导致除以0报错
    if abs(a + b) < 1e-8:
        return np.inf  # 让优化器自动避开这种无效情况
    avrg = (a + b) / 2
    spr = (b - a) / avrg
    diff = target - spr
    return diff ** 2  # 用平方误差做目标，确保优化的是误差的大小

# 遍历每一行做独立优化
for idx, row in df.iterrows():
    # 用当前行的a、b作为优化的初始起点
    initial_guess = [row['a'], row['b']]
    # 调用minimize：传入目标函数、初始值，以及固定参数target
    result = minimize(objective, x0=initial_guess, args=(row['target'],))
    
    # 把优化结果写回原DataFrame
    if result.success:
        df.loc[idx, 'a_optimized'] = result.x[0]
        df.loc[idx, 'b_optimized'] = result.x[1]
        df.loc[idx, 'min_squared_error'] = result.fun
    else:
        print(f"第{idx}行优化失败，原因：{result.message}")

# 查看最终优化结果
print(df)

关键细节说明 #

• 目标函数重构：现在objective专门接收单组待优化的a、b，以及该行固定的target，返回平方误差——这样优化器的目标就明确了：让计算出的spr尽可能贴近target
• 行级独立优化：因为每行的target是独立的，所以我们对每行单独处理，保证每行的a、b调整不会互相干扰
• 异常防护：加入了abs(a + b) < 1e-8的判断，彻底避免计算avrg时出现除以0的报错
• 结果校验：用result.success判断优化是否成功，失败时会打印错误信息，方便你排查问题

对原代码的小总结 #

你之前的思路方向是对的，但没摸准minimize的参数逻辑——它是针对单组变量做迭代优化，不是直接处理整个DataFrame。调整成行级变量优化后，就能完美实现你想要的效果啦！

备注：内容来源于stack exchange，提问作者nicktrent