Python 动态定义函数

我试图编写一个曲线拟合函数，返回最佳参数a、b和c，下面是一个简化的示例：

import numpy
import scipy
from scipy.optimize import curve_fit

def f(x, a, b, c):
    return x * 2*a + 4*b - 5*c

xdata = numpy.array([1,3,6,8,10])
ydata = numpy.array([  0.91589774,   4.91589774,  10.91589774,  14.91589774,  18.91589774])
popt, pcov = scipy.optimize.curve_fit(f, xdata, ydata)

这很好，但我想让用户有机会提供一些（或没有）参数a、b或c，在这种情况下，它们应该被视为常量，而不是估计值。如何编写

f

，使其仅适合用户未提供的参数

基本上，我需要用正确的参数动态地定义

f

。例如，如果用户知道

a

，

f

变为：

def f(x, b, c):
    a = global_version_of_a
    return x * 2*a + 4*b - 5*c

如果用户没有为相关参数提供参数，则将使用您在

=

符号右侧指定的任何参数：

e、 g.：

f（5，b=20）

将计算为

返回5*2*10+4*20-5*25

和

f（7）

将计算为

返回7*2*10+4*15-5*25

从中选择一页，您可以使用exec“动态”定义

函数：

import numpy as np
import scipy.optimize as optimize
import textwrap

funcstr=textwrap.dedent('''\
def func(x, {p}):
    return x * 2*a + 4*b - 5*c
''')
def make_model(**kwargs):
    params=set(('a','b','c')).difference(kwargs.keys())
    exec funcstr.format(p=','.join(params)) in kwargs
    return kwargs['func']

func=make_model(a=3, b=1)

xdata = np.array([1,3,6,8,10])
ydata = np.array([  0.91589774,   4.91589774,  10.91589774,  14.91589774,  18.91589774])
popt, pcov = optimize.curve_fit(func, xdata, ydata)
print(popt)
# [ 5.49682045]

注意这一行

func=make_model(a=3, b=1)

您可以传递任何您想要创建的参数。传递给
的参数使_model
成为
func
中的固定常数。剩下的任何参数都将成为自由参数，进行优化。曲线拟合将尝试拟合

例如，上面的a=3和b=1在
func
中成为固定常数。实际上，
exec
语句将它们放在
func
的全局命名空间中<因此，code>func

被定义为

x

和单个参数

c

的函数。注意

popt

的返回值是一个长度为1的数组，对应于剩余的自由参数

c

---

关于

textwrap.dedent

：在上面的示例中，不需要调用

textwrap.dedent

。但在“现实生活”脚本中，

funcstr

是在函数内部或更深的缩进级别定义的，

textwrap.dedent

允许您编写

def foo():
    funcstr=textwrap.dedent('''\
        def func(x, {p}):
            return x * 2*a + 4*b - 5*c
        ''')

而不是视觉上不吸引人的

def foo():
    funcstr='''\
def func(x, {p}):
    return x * 2*a + 4*b - 5*c
'''

有些人更喜欢

def foo():
    funcstr=(
        'def func(x, {p}):\n'
        '    return x * 2*a + 4*b - 5*c'
        )

---

但我发现单独引用每一行和添加显式EOL字符有点麻烦。但是，它确实为您节省了一个函数调用。

如果您想要一个基于

曲线拟合的简单解决方案，我建议您将函数封装在类中。最简单的例子：

import numpy
from scipy.optimize import curve_fit

class FitModel(object):
    def f(self, x, a, b, c):
        return x * 2*a + 4*b - 5*c

    def f_a(self, x, b, c):
        return self.f(x, self.a, b, c)

# user supplies a = 1.0
fitModel = FitModel()
fitModel.a = 1.0

xdata = numpy.array([1,3,6,8,10])
ydata = numpy.array([  0.91589774,   4.91589774,  10.91589774,  14.91589774,  18.91589774])
initial = (1.0,2.0)
popt, pconv = curve_fit(fitModel.f_a, xdata, ydata, initial)

为此，我通常使用lambda

user_b, user_c = get_user_vals()
opt_fun = lambda x, a: f(x, a, user_b, user_c)
popt, pcov = scipy.optimize.curve_fit(opt_fun, xdata, ydata)

已经有一个包可以执行此操作：


自述文件：


“LMfit py提供了最小二乘最小化例程和类
使用简单、灵活的方法来参数化
拟合数据。命名参数可以固定或自由保持
在拟合中调整，或保持在下限和上限之间。在
此外，可以将参数约束为简单的数学表达式
其他参数的表达式。”
如果有5个参数，这将开始变得混乱，我需要编写的函数数量会快速增加……基本问题是，但我在更深的缩进级别（在类内部）定义funcstr时遇到困难。它抛出缩进错误…还有一件事。传递其他变量怎么样，例如，如果“c”是一个数组，我需要作为全局变量传入，但不想将其包含在f的参数中？谢谢。如果我没听错，就把它传给
make\u model
：例如
func=make\u model（c=array）
。（它不会显示在
f
的参数中。但是，
f
可以访问它。）顺便说一句，最后一个示例不起作用，字符串之间缺少换行符。哦，是的，我不喜欢此方法的另一个原因…：）（感谢您捕捉到错误。）如果lambda使用numpy函数，这是否有效？我如何使opt_-fun调用动态（我希望用户在脚本顶部设置paramaters，在需要安装参数的地方设置为None）。
user_b, user_c = get_user_vals()
opt_fun = lambda x, a: f(x, a, user_b, user_c)
popt, pcov = scipy.optimize.curve_fit(opt_fun, xdata, ydata)