在Python lmfit中使用多个独立变量

我正在尝试将一个模型与一些数据相匹配。自变量称为

A

和

B

，它们是数据帧中的列。我试图在数据帧中针对

y

拟合两个参数

以前，使用Scipy提供的

curve\u fit

，我可以：

def fun(X, p1, p2):
  A, B = X
  return np.exp(p1*A) + p2*B

X = (df['A'].tolist(), df['B'].tolist())
popt, pcov = curve_fit(fun, X, df['y'].tolist())

但是现在，我使用的是

lmfit

，我不能简单地“打包”自变量，比如

curve\u fit

：

def fun(A, B, p1 = 1, p2 = 1):
  return np.exp(p1*A) + p2*B

model = Model(fun, independent_vars=['A', 'B'])

---

如何在此处运行

model.fit（）

？首先，我需要展平什么？我创建了一个完整的工作示例，其中包含两个独立变量：

import pandas as pd
import numpy as np
from lmfit import Model

df = pd.DataFrame({
  'A'      : pd.Series([1, 1, 1, 2, 2, 2, 2]),
  'B'      : pd.Series([5, 4, 6, 6, 5, 6, 5]),
  'target' : pd.Series([87.79, 40.89, 215.30, 238.65, 111.15, 238.65, 111.15])
})

def fun(A, B, p1 = 1, p2 = 1):
  return p1 * np.exp(A) + p2 * np.exp(B)

model = Model(fun, independent_vars=['A', 'B'])
fit = model.fit(df['target'], A = df['A'], B = df['B'])

---

技巧是将所有变量指定为

fit（）

中的关键字参数。首先，使用多个自变量的函数创建一个模型。 比如说,

def random_func(x,y,a,b,c):
    return a*x**3+b*y**2+c

其次，指定公式中的自变量。 比如说,

from lmfit import Model

model = Model(random_func,independent_vars=['x','y'])

model.set_param_hint('a',value=2)
model.set_param_hint('b',value=3)
model.set_param_hint('c',value=4)

第三，为模型设置参数

比如说,

from lmfit import Model

model = Model(random_func,independent_vars=['x','y'])

model.set_param_hint('a',value=2)
model.set_param_hint('b',value=3)
model.set_param_hint('c',value=4)

最后，设置x轴值和y轴值。做合适的 像这样,

x = np.arange(0,2,0.1)
y = np.arange(0,2,0.1)
z = np.loadtxt('filename')

事实上，直接配合并不奏效。二维数据数组以及坐标必须展平为一维数组。例如，让我们保持模型不变。我们需要创建新的一维坐标阵列

x1d = []
y1d = []
for i in x:
    for j in y:
        x1d = x1d.append(i)
        y1d = y1d.append(j)
z1d = z.flatten_data()
result = model.fit(z1d, x = x1d, y = y1d)

---

这与我的答案大致相同，但是是的，这是有效的。很抱歉，我是python新手，在您的“panda”软件包中迷失了方向，因为我没有仔细阅读您的代码。但由于有两个自变量，拟合实际上运行不正常。。。我正在努力缩小所有参数的范围，希望能有一个很好的拟合。