如何为scipy.optimize.curve_fit调用的分段拟合函数传入额外参数a

当然可以！而且完全不用大改现有代码，给你两个最省事的方案：

方案1：利用curve_fit的args参数（改动最小） #

这个方法只需要给你的fit_jt函数加一个带默认值的参数，然后在调用curve_fit时用args传递a的值就行，几乎是零侵入式修改：

首先修改fit_jt的定义，把a作为最后一个参数（保留默认值，这样原来的调用逻辑也不会崩）：

def fit_jt(x, e1, e2, n1, E1, E2, N1, N2, a=1.3):
  return np.piecewise(x, [x <= a, x > a], [
      lambda x: 1 / e1 +
      (1 - np.float128(np.exp(-e2 * x / n1))) / e2, lambda x: 1 / E1 +
      (1 - np.float128(np.exp(-E2 * x / N1))) / E2 + x / N2
  ])

然后在main里调用curve_fit时，只需要多传一个args参数，把你想设置的a值传进去就行：

# 比如你想设置a=1.5
popt_jt, pcov_jt = optimize.curve_fit(fit_jt,
                                      time.values,
                                      jt.values,
                                      method='trf',
                                      args=(1.5,))

这里的args是一个元组，里面的参数会作为固定值传递给fit_jt，不会被curve_fit当作待优化的参数，完美符合你的需求。

方案2：用functools.partial包装函数（不用改fit_jt的参数默认值） #

如果你连给fit_jt加默认参数都不想做，那可以用functools.partial来包装函数，把a值提前绑定进去：

首先调整fit_jt的参数顺序，把a放在最前面：

def fit_jt(a, x, e1, e2, n1, E1, E2, N1, N2):
  return np.piecewise(x, [x <= a, x > a], [
      lambda x: 1 / e1 +
      (1 - np.float128(np.exp(-e2 * x / n1))) / e2, lambda x: 1 / E1 +
      (1 - np.float128(np.exp(-E2 * x / N1))) / E2 + x / N2
  ])

然后在main里用partial把a值绑定进去，生成一个新的函数给curve_fit调用：

from functools import partial

# 设置你要的a值
target_a = 1.5
# 包装函数，把a值提前绑定
wrapped_fit_jt = partial(fit_jt, target_a)

# 之后直接用包装后的函数调用curve_fit就行
popt_jt, pcov_jt = optimize.curve_fit(wrapped_fit_jt,
                                      time.values,
                                      jt.values,
                                      method='trf')

这个方案的好处是，fit_jt里不需要保留a的默认值，完全由外部传入。

两种方案改动都极小，你可以根据自己的习惯选就行。

备注：内容来源于stack exchange，提问作者BaRud