使用curve_fit拟合网格定义函数的多维拟合问题求助

我明白你遇到的问题了——scipy.optimize.curve_fit确实要求输入的自变量和因变量是一维数组，而你的数据是二维网格形式的。别担心，只需要做几个小调整就能搞定，核心思路是把二维数组扁平化，同时适配你的自定义函数的输入格式。

问题分析 #

你的myfunc现在接收的是二维的X、Y网格，但curve_fit会把自变量当成一维数组传递，所以需要调整函数，让它能处理扁平化后的X和Y，再计算对应的输出。另外，你的z数据也需要从二维转成一维。

修改后的完整代码 #

import numpy as np
from scipy.optimize import curve_fit

# 调整函数：接收扁平化后的x和y，更贴合curve_fit的参数传递逻辑
def myfunc(x, y, a, b):
    return a * (x**b + y**b)

# 生成二维网格（用meshgrid比手动循环更高效）
x = np.linspace(0, 1, 100)
y = np.linspace(0, 1, 100)
X, Y = np.meshgrid(x, y)

# 生成模拟的真实数据（对应你要拟合的目标）
z_true = X**2 + Y**2

# 把二维数组扁平化，转成curve_fit要求的一维格式
x_flat = X.ravel()
y_flat = Y.ravel()
z_flat = z_true.ravel()

# 调用curve_fit：用lambda把多个自变量打包传递
popt, pcov = curve_fit(lambda x, y, a, b: myfunc(x, y, a, b), 
                      (x_flat, y_flat), z_flat, p0=[1, 2])

print("拟合得到的参数a:", popt[0])
print("拟合得到的参数b:", popt[1])

关键调整点 #

• 扁平化数组：用ravel()方法把二维的X、Y、z数组转成一维，这是让curve_fit能处理数据的核心步骤。
• 函数适配：把原来接收元组的函数改成直接接收扁平化后的x和y，逻辑更清晰；如果想保留原函数结构，也可以用下面的写法。
• 多自变量传递：在调用curve_fit时，用lambda函数把多个自变量打包成元组，这是处理多自变量拟合的标准方式。

兼容原函数结构的写法 #

如果你想保留最初myfunc接收元组的形式，只需要修改调用部分：

def myfunc(VARS, a, b):
    X, Y = VARS
    return a * (X**b + Y**b)

# 直接传递扁平化后的元组作为自变量
popt, pcov = curve_fit(myfunc, (x_flat, y_flat), z_flat, p0=[1, 2])

验证效果 #

运行代码后，你会看到拟合出的a接近1，b接近2，和你模拟数据的真实参数一致，说明拟合成功啦。

内容的提问来源于stack exchange，提问作者Joshhh