Function 在数据帧中循环并创建用于优化的函数

我用python编写了一个小代码，效果很好

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



"""define power and coefficients"""

power = 0.6
coefficient = 5.6

"""define objective function"""

def func(x,sign=1.0):
    return sign*sum(coefficient*(x[0:]**power))

""" define constraints"""

cons = ({'type': 'ineq', 'fun': lambda x:  x[1] - 2 * x[1] + 2},
    {'type': 'ineq', 'fun': lambda x: -x[2] - 2 * x[1] + 6},
    {'type': 'ineq', 'fun': lambda x: -x[0] + 2 * x[1] + 2})

""" define bounds"""

bnds = ((0.7, 1.3), (0.7, 1.3), (0.7,1.3))

"""initial values of the variables"""

x0 = np.array([1.1, 3.9,5.6])

"""run the optimization  algorithm"""

res = minimize(func, x0, method='SLSQP',bounds = bnds,constraints=cons,
           options={'disp': True})

"""print the results"""

print(res.x)

---

此代码包含一个目标函数

def func(x,sign=1.0):
    return sign*sum(coefficient*(x[0:]**power))

初始值为

x0 = np.array([1.1, 3.9,5.6])

但这一切都是硬编码的。我想在运行时生成它们

i、 我有一个csv文件，我会把它读入csv文件的数据帧结构中

DV_Name Investment
DV1     1.2
DV2     1.2
DV3     1.3
DV4     1.2
DV5     1.2
DV6     4.5
DV7     1.2
DV8     2.7
DV9     1.2
DV10    1.2

我使用了

pd.DataFrame.from\u csv

---

我必须做些什么才能使我的目标函数以

coeff*（DV1^power+DV2^power+DV3^power……DV10^power）

的形式出现，并将我的初始值数组x0作为投资值，即投资（0）、投资（1）…等等。

您可以使用以下类似的方法提高

数据框的一列

或者您可以像中一样执行
df['bar']**2

然后，您可以使用以下公式对一列的元素求和：

>>> df['foo'].pow(2).sum()
30

这应该足够让你开始了
 我能够解决这个问题：

import pandas as pd
import numpy as np
from scipy.optimize import minimize
pd.set_option('display.mpl_style', 'default') 

“”“将输入文件读入数据帧”“”

“”“DV的子集”“”

“目标功能”
“幂加法函数”
“”“已为最大化添加了符号=1.0”“”
“”“使用系数、幂的对应矩阵”“”

“定义边界”

“”“bnds=（（df['LB'].values，df['UB'].values））”

“”“定义约束”“”

“”“使用最小二乘和法运行优化”“”
“”“s.values是csv文件中“投资”列给出的初始估计值”“”

“”“打印结果”“”

但是我有一个新的问题，我已经创建了一个边界，它们是硬编码的，我不希望这样。我希望从数据帧或文件中读取它们
我的文件有两列

upperbound  Lowerbound
1.3               0.7
1.3               0.7
1.3               0.7.........

现在，我想在阅读一些数据帧之后形成我的边界，比如

bnds = ((df['Upperbound'],df['lowerbound']))

因此，将有文件中指定的多个对

dv= df['DV']

def func(dv,sign=1.0) :
return sign*(sum(df['Coefficient'].values[0:]*dv[0:]**df['Power'].values[0:]))

bnds = ((0.7, 1.3),(0.7, 1.3),(0.7,1.3),(0.7,1.3),(0.7,1.3),(0.7,1.3),(0.7,1.3),    (0.7,1.3),(0.7,1.3))

cons = ({'type': 'ineq', 'fun': lambda x:  dv[1] - 2 * dv[1] + 2},
    {'type': 'ineq', 'fun': lambda x: -dv[2] - 2 * dv[1] + 6},
    {'type': 'ineq', 'fun': lambda x: -dv[0] + 2 * dv[1] + 2})

res = minimize(func, df['Inv'].values,args=(-1.0,),method='SLSQP',bounds=bnds,
           options={'disp': True})

print (res)

upperbound  Lowerbound
1.3               0.7
1.3               0.7
1.3               0.7.........

bnds = ((df['Upperbound'],df['lowerbound']))