Python 3.x 如何将参数传递给其他函数（通常是通过scipy传递）？

我正在尝试通过scipy输出一个函数，并找到mu、sigma、normc，它们最适合高斯叠加

from math import exp
from math import pi
from scipy.integrate import quad
from scipy.optimize import minimize
from scipy.stats import chisquare
import numpy as np

# guess intitial values for minimized chi-square
mu, sigma = np.mean(mydata), np.std(mydata) # mydata is my data points
normc = 1/(sigma * (2*pi)**(1/2)) 

gauss = lambda x: normc * exp( (-1) * (x - mu)**2 / ( 2 * (sigma **2) ) ) # Gaussian Distribution

# assume I have pre-defined bin-boundaries as a list called binbound

def expvalperbin(binbound,mu,sigma,normc):
    # calculates expectation value per bin
    ans = []
    for index in range(len(binbound)):
        if index != len(binbound)-1:
            ans.append( quad( gauss, binbound[index], binbound[index+1])[0] )
    return ans

expvalguess = expvalperbin(binbound,mu,sig,normc)
obsval = countperbin(binbound,mydata)
arglist = [mu,sig,norm]

def chisquareopt(obslist,explist):
    return chisquare(obslist,explist)[0]

chisquareguess = chisquareopt((obsval,expvalguess), expvalguess, args=arglist)

result = minimize( chisquareopt(obsval,expvalguess), chisquareguess   )
print(result)

运行此代码会导致以下错误：

TypeError: chisquareopt() got an unexpected keyword argument 'args'

我有几个问题：

1） 我如何编写一个函数来允许参数传递给我的函数

2） 我如何判断scipy是否会优化给出最小卡方的参数[mu、sigma、Normac]？如何从优化中找到这些参数

3） 很难知道我是否在这里取得了进步。我走对了吗

---

编辑：如果相关，我有一个函数输入[mu，sigma，Normac]并输出子列表，每个子列表包含[mu，sigma，Normac]的可能组合（其中外部列表包括指定范围内所有可能的参数组合）.

通常，这些

scipy

函数会将

args

值元组原封不动地传递给代码。我应该仔细检查代码，但是

minimize(myfunc, x0, args=(y,z))

def myfunc(x, y, z): 
   <do something>

换句话说，它将

args

元组与迭代变量连接起来，并将其传递给函数。因此，任何中间函数定义都需要使用该模式

为了进行说明，请定义一个接受通用args元组的函数

In [665]: from scipy.optimize import minimize
In [666]: def myfunc(*args):
     ...:     print(args)
     ...:     return np.abs(args[0])**2
     ...: 
In [667]: myfunc(1,2,3)
(1, 2, 3)
Out[667]: 1
In [668]: myfunc(2,2,3)
(2, 2, 3)
Out[668]: 4
In [669]: minimize(myfunc, 10, args=(2,3))
(array([ 10.]), 2, 3)
(array([ 10.00000001]), 2, 3)
(array([ 10.]), 2, 3)
(array([ 8.99]), 2, 3)
....
(array([-0.00000003]), 2, 3)
Out[669]: 
      fun: 1.7161984122524196e-15
 hess_inv: array([[ 0.50000001]])
      jac: array([-0.00000007])
  message: 'Optimization terminated successfully.'
     nfev: 15
      nit: 4
     njev: 5
   status: 0
  success: True
        x: array([-0.00000004])

---

---

（删除了关于将哪些参数最小化的混淆的讨论。请参阅其他答案或我的编辑历史）

我对您的问题进行了一些简化，以便让您了解问题2）

首先，我将柱状图

obslist

和数据点数量

N

硬编码为全局变量（这稍微简化了函数签名）。其次，我在

expvalperbin

中硬编码了箱子边界，假设9个箱子的宽度固定

5

，第一个箱子从

30

开始（因此直方图范围为30到75）

第三，我正在使用

optimize.fmin

（内尔德·米德），而不是

optimize.minimize

。使用

fmin

而不是

minimize

的原因是通过

args=（x，y）

传递附加参数似乎不起作用，因为附加参数从第一次调用起就保持在固定值。这不是你想要的：你想要同时优化

mu

和

sigma

考虑到这些简化，我们有以下（肯定是非常不和谐的）脚本：

优化已成功终止

当前功能值：2.010966

迭代次数：49

功能评估：95

[50.57590239 7.01857529]

---

顺便说一句，

obslist

直方图是来自

N（50.5,7.0）

正态分布的1000点随机样本。请记住，这是我的第一个Python代码行，所以请不要以风格来评判我。我只是想给你一个关于问题的一般结构的想法。

那么我应该创建元组（mu、sigma、normc）？或者我应该创建一个所有可能的组合（mu、sigma、normc）的元组吗？我添加了一个简单的示例。我必须考虑更多关于组合的问题。我不理解

mu，sigma，normc

的功能。它们是控制其他变量最小化的参数（binbound），还是要优化的变量（选择最佳组合）？我想选择产生最小卡方误差的mu、sigma、normc的最佳组合。基本上，我计算数据的平均值和stdev来估计每个参数的猜测值。然后将这些参数抛出到函数expvalperbin中，该函数计算期望值。每格的期望值等于每格曲线下的面积；这里，每格定义了积分的界限，每格的期望值被附加到一个列表中。有一个长度相等的单独列表，每个元素都是……的出现次数。。。。。。我的数据点每箱。有了一系列的期望猜测值，这些值对应于每个箱子观察到的不变的多重性，我现在可以为我的卡方算出一个猜测。我想通过改变[mu，sigma，normc]的值来最小化卡方误差，这很困难，因为它们会影响分布函数，而分布函数是在期望值的二元边界上集成的（因此我的函数的结构）。我的柱状图单元被定义为单元边界列表，我希望通过卡方检验来覆盖该列表的最佳拟合。在函数expvalperbin中，“args=（mu，sigma））[0]*N”做什么？我猜它复制了一个（mu，sigma）N次的元组，但是下标[0]让我相信我没有看到完整的图片（类似于'chisquareopt'中的args）？至于不是pythonic，我愿意接受建议。这和你的

ans.append（quad（gauss，binbound[index]，binbound[index+1]）[0]）一样。

。但是我也将

mu

和

lambda

传递给

gauss

函数。最后，要从概率中得到预期的计数，你必须乘以观察的总数（我已经告诉过你了）。啊，我现在看到了！谢谢你的帮助。在你的帮助下，我能够优化我的参数。但出于好奇，我在你的指导下阅读了这些文件，感到困惑。您是否能够仅从文档中了解结构，如果是，如何了解？我希望能够使我的理解适应未来的其他模块文档……正如我在你的另一篇文章中所说的，我对Python/scipy一无所知。因此，

args=（x）

问题有点出乎意料。但是你需要的参数对我来说总是很清楚的（你可以通过重新阅读我的评论来检查）。我想这不是关于Python/scipy的，而是关于没有做过（思考过）类似的事情

In [665]: from scipy.optimize import minimize
In [666]: def myfunc(*args):
     ...:     print(args)
     ...:     return np.abs(args[0])**2
     ...: 
In [667]: myfunc(1,2,3)
(1, 2, 3)
Out[667]: 1
In [668]: myfunc(2,2,3)
(2, 2, 3)
Out[668]: 4
In [669]: minimize(myfunc, 10, args=(2,3))
(array([ 10.]), 2, 3)
(array([ 10.00000001]), 2, 3)
(array([ 10.]), 2, 3)
(array([ 8.99]), 2, 3)
....
(array([-0.00000003]), 2, 3)
Out[669]: 
      fun: 1.7161984122524196e-15
 hess_inv: array([[ 0.50000001]])
      jac: array([-0.00000007])
  message: 'Optimization terminated successfully.'
     nfev: 15
      nit: 4
     njev: 5
   status: 0
  success: True
        x: array([-0.00000004])

from math import exp
from math import pi
from scipy.integrate import quad
from scipy.optimize import fmin
from scipy.stats import chisquare


obslist = [12, 51, 144, 268, 264, 166, 75, 18, 2] # histogram, 1000 observations
N = 1000 # no. of data points


def gauss(x, mu, sigma):
    return 1/(sigma * (2*pi)**(1/2)) * exp( (-1) * (x - mu)**2 / ( 2 * (sigma **2) ) )

def expvalperbin(mu, sigma):
    e = []
    # hard-coded bin boundaries
    for i in range(30, 75, 5):
        e.append(quad(gauss, i, i + 5, args=(mu, sigma))[0] * N)
    return e

def chisquareopt(args):
    # args[0] = mu
    # args[1] = sigma
    return chisquare(obslist, expvalperbin(args[0], args[1]))[0]

# initial guesses
initial_mu = 35.5
initial_sigma = 14

result = fmin(chisquareopt, [initial_mu, initial_sigma])

print(result)