Python numpy中的无环卡方网格搜索

最佳拟合线性参数A和B（y=Ax+B）对应于这些参数上卡方函数的最小值。我想对全局卡方最小值进行蛮力网格搜索（保证，因为2参数线性卡方是抛物面），并通过3个嵌套循环（如下）实现了它，但希望避免循环（即，使用Numpy的阵列广播属性进行矢量化）

卡方（加权最小二乘）定义为：

Chi-square(k,j) = sum (y[i]-(A[k]*x[i]+B[j]))/yerr[i])^2

下面是Python Numpy代码，它用卡方值填充100 x 100的网格，这些卡方值超过a和B参数值的10000个组合（每个100个值）。有三个数据数组：x、y和YER

感谢您在PythonNumpy中提供无环版本的2参数线性卡方网格搜索

注意：我想进行网格搜索，而不是使用scipy.optimize.minimize——谢谢

基思

---

这里有一种矢量化方法，利用-

这是另一个可能更快的有-

---

最后一行的缩进看起来是错误的。另外，它不应该是

chi2[k，j]+=chi2a

吗？两个注释都是（现在已编辑）。谢谢你抓到这个！我想我们还需要两个制表符缩进，因为我们需要对

chi2a

的每次计算的更新求和。而且，

range（1100）

应该是

range（100）

，然后再加上子来覆盖所有元素。是的，谢谢！刚刚用您的更正测试了脚本，现在看起来运行良好。再次感谢。

# create parameter grid
a = np.linspace(80,120,100)
b = np.linspace(10,40,100)
A,B = np.meshgrid(a,b)

# calculate chi-square over parameter grid
chi2=np.zeros((100,100))

for k in range(100):
    for j in range(100):
        for i in range (len(y)):
            chi2a = ((y[i]-a[k]*x[i]-b[j])/yerr[i])**2;
            chi2[k,j]+=chi2a;

subs = (y-a[:,None,None]*x-b[:,None])/yerr
chi2 = (subs**2).sum(2)

chi2 = np.einsum('ijk,ijk->ij',subs,subs) #subs from previous one