如何让scipy.optimize.least_squares仅返回解向量x？

嘿，刚接触Python遇到这种小问题很正常，别担心！我来帮你理清思路，搞定这个需求～

首先，你之前尝试的spo.least_squares(test_function, x0)[0]无效，大概率是因为least_squares返回的不是一个可通过索引[0]直接获取解的结构——它返回的是一个OptimizeResult对象，这是一个类似字典的结果容器，你需要通过它的属性来提取解向量。

正确的实现步骤 #

1. 确保正确导入模块：首先要把scipy的优化模块导入进来，通常我们这么写：

   import scipy.optimize as spo
   import numpy as np
   

2. 定义残差函数：least_squares需要的是残差函数，对于线性方程组Ax = b，残差就是r(x) = Ax - b（也就是每个方程的预测值和真实值的差）。举个例子，假设我们有这样的线性方程组：

   1*x1 + 2*x2 = 7
   3*x1 + 4*x2 = 8
   5*x1 + 6*x2 = 9
   

   对应的残差函数可以这么写：

   def residual(x):
       A = np.array([[1, 2], [3, 4], [5, 6]])
       b = np.array([7, 8, 9])
       return A @ x - b
   

3. 调用least_squares并提取解：调用函数后，通过result.x就能直接拿到解向量了，完整代码示例：

   # 初始猜测值，随便给一个就行，比如全0
   x0 = np.array([0, 0])
   # 求解
   result = spo.least_squares(residual, x0)
   # 提取解向量x
   x = result.x
   print("解向量x:", x)
   

额外小提示 #

如果你的问题是纯线性方程组，其实用scipy.linalg.lstsq会更直接，它专门用于最小二乘求解线性系统，代码更简洁：

from scipy.linalg import lstsq

A = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([7, 8, 9])
x, _, _, _ = lstsq(A, b)
print("解向量x:", x)

不过如果你因为后续计算需要用least_squares的框架（比如后续要扩展到非线性问题），那之前的方法完全没问题。

内容的提问来源于stack exchange，提问作者Lukas Jagersberger