使用scipy.optimize.fmin拟合正弦函数报错：setting an array element with a sequence

这个报错的核心原因是你的目标函数func_error返回的是数组，但scipy.optimize.fmin要求目标函数必须返回一个单个标量值（即误差的总和，一个数字）。下面一步步拆解问题并给出修复代码：

问题具体点 #

1. func_noise的噪声生成逻辑错误：当传入单个x时，np.random.randn(100)会生成长度为100的数组，但func_model(x, para_fact)是单个数值，两者相加后得到的是长度100的数组，而非对应x的带噪声的单个y值。
2. func_error返回值类型错误：循环中每次累加的是长度100的数组，最终error_sum还是数组，不符合fmin对目标函数返回值的要求。
3. 循环效率低下：用for循环遍历x序列计算误差，不如用numpy的向量化操作高效。

修复后的完整代码 #

import numpy as np
import scipy.optimize as opt
import matplotlib.pyplot as plt

def func_model(x, para):
    ''' Model: y = a*sin(2*k*pi*x+theta)'''
    a, k, theta = para
    return a*np.sin(2*k*np.pi*x + theta)

def func_noise(x, para):
    # 生成和x长度一致的噪声，而非固定100个
    noise = np.random.randn(len(x))
    return func_model(x, para) + noise

def func_error(para_guess):
    '''误差函数：返回误差平方和的标量'''
    x_seq = np.linspace(-2*np.pi, 0, 100)
    para_fact = [10, 0.34, np.pi/6]
    # 向量化计算，避免循环，直接得到所有误差的平方和
    y_true_noise = func_noise(x_seq, para_fact)
    y_pred = func_model(x_seq, para_guess)
    error_sum = np.sum((y_true_noise - y_pred)**2)
    return error_sum

# 初始猜测参数
para_guess_init = np.array([7, 0.2, 0])
# 使用fmin求解
solution = opt.fmin(func_error, para_guess_init)
print("拟合得到的参数：", solution)

# 可选：可视化拟合效果
x_test = np.linspace(-2*np.pi, 0, 200)
y_true = func_model(x_test, [10, 0.34, np.pi/6])
y_fit = func_model(x_test, solution)
y_noise = func_noise(x_test, [10, 0.34, np.pi/6])

plt.scatter(x_test, y_noise, label="带噪声数据", s=5)
plt.plot(x_test, y_true, label="真实曲线", color="r")
plt.plot(x_test, y_fit, label="拟合曲线", color="g", linestyle="--")
plt.legend()
plt.show()

关键修改说明 #

• func_noise调整：用len(x)获取输入x的长度，生成对应长度的噪声数组，确保输出和输入x的维度匹配。
• func_error重构：去掉for循环，直接用numpy的向量化计算所有x的误差平方和，最终返回一个标量值，满足fmin的要求。
• 可选优化：如果是做最小二乘拟合，推荐使用scipy.optimize.leastsq，它专门针对最小平方误差的场景，效率更高。示例如下：

# 用leastsq的写法（误差函数返回残差数组而非平方和）
def residuals(para_guess, x, y):
    return y - func_model(x, para_guess)

x_seq = np.linspace(-2*np.pi, 0, 100)
para_fact = [10, 0.34, np.pi/6]
y_true_noise = func_noise(x_seq, para_fact)
solution_leastsq, _ = opt.leastsq(residuals, para_guess_init, args=(x_seq, y_true_noise))
print("leastsq拟合参数：", solution_leastsq)

内容的提问来源于stack exchange，提问作者sun0727