Python ValueError:无法确定拟合参数的数量&引用；“曲线拟合中的问题”；

我是python新手，所以我的知识不足。 我有一个名为“tlove_cc_seq2_k2_NL3.dat”的数据文件。我想用曲线拟合数据。 我使用的代码如下所示：

我得到的错误如下所示：

。。。 ValueError回溯（最近一次调用上次） 在里面 13#y=数据[：，1] 14 plt.绘图（数据_k2_2fl_NL3[：，8]，数据_k2_2fl_NL3[：，5]，“b-”，标签=“数据”） --->15 popt，pcov=曲线拟合（func，data_k2_2fl_NL3[：，8]，data_k2_2fl_NL3[：，5]） 16波普 十七,

    ~/anaconda3/lib/python3.7/site-packages/scipy/optimize/minpack.py in curve_fit(f, xdata, 
    ydata, p0, sigma, absolute_sigma, check_finite, bounds, method, jac, **kwargs)
        678         args, varargs, varkw, defaults = _getargspec(f)
        679         if len(args) < 2:
    --> 680             raise ValueError("Unable to determine number of fit parameters.")
        681         n = len(args) - 1
        682     else:

    ValueError: Unable to determine number of fit parameters.

曲线拟合中的/anaconda3/lib/python3.7/site-packages/scipy/optimize/minpack.py（f，扩展数据， ydata，p0，西格玛，绝对西格玛，检查有限，界限，方法，jac，**kwargs） 678参数，varargs，varkw，默认值=_getargspec（f） 679如果len（args）<2： -->680 raise VALUE ERROR（“无法确定拟合参数的数量”） 681 n=len（args）-1 682其他： ValueError:无法确定拟合参数的数量。 我如何解决这个问题？

---

谢谢。

我认为问题在于，

曲线拟合

函数无法通过内省确定参数的数量，因为您要求它拟合的函数（

测试

）被包装在

np.vectorize

函数中

我尝试了一个最简单的例子，我使用了

test

函数未矢量化，它成功了：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

def test(x, a, b, c): 
        return (a + b*np.log(x) + c*np.log(x)**2)

func = np.vectorize(test)

#Create some dummy data
x_data = list(range(1, 11))
y_data = np.log(x_data) + np.log(x_data)**2 + np.random.random(10)

plt.plot(x_data, y_data, 'b-', label='data')
popt, pcov = curve_fit(test, x_data, y_data)
popt

如果出于性能原因需要

vectorize

，还可以传递一个参数

p0

一个初始参数数组。e、 g:

popt, pcov = curve_fit(func, x_data, y_data, p0=[1,1,1])

---

似乎您遇到的大多数问题都与使用

numpy

vs

math

有关。为了完整性，并且由于您提到了

lmfit

，要使用

lmfit

，您可以使用

import numpy as np
import matplotlib.pyplot as plt
from lmfit import Model

def test(x, a, b, c): 
    return (a + b*np.log(x) + c*np.log(x)**2)

# create model from your model function
mymodel = Model(test)

# create initial set of named parameters from argument of your function
params = mymodel.make_params(a=0.5, b=1.1, c=0.5)

# Create some dummy data
x_data = np.linspace(1, 10, 10)
y_data = np.log(x_data) + np.log(x_data)**2 + np.random.random(len(x_data))

# run fit, get result
result = mymodel.fit(y_data, params, x=x_data)

# print out full fit report: fit statistics, best-fit values, uncertainties
print(result.fit_report())

# make a stacked plot of residual and data + fit
result.plot()
plt.show()

请注意，

curve\u fit（）

将愉快地接受未初始化的参数，为所有参数指定无法证明的默认值1。Lmfit不允许这样做，并强制您显式设置初始值。但它也能更好地报告统计数据、不确定性，并允许合成更多的complpex模型

例如，fit报告将如下所示：

[[Model]]
    Model(test)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 8
    # data points      = 10
    # variables        = 3
    chi-square         = 0.91573485
    reduced chi-square = 0.13081926
    Akaike info crit   = -17.9061352
    Bayesian info crit = -16.9983799
[[Variables]]
    a:  0.69752193 +/- 0.34404583 (49.32%) (init = 0.5)
    b:  1.17700278 +/- 0.59765274 (50.78%) (init = 1.1)
    c:  0.85298657 +/- 0.23838141 (27.95%) (init = 0.5)
[[Correlations]] (unreported correlations are < 0.100)
    C(b, c) = -0.961
    C(a, b) = -0.782
    C(a, c) =  0.607

[[Model]]
模型（试验）
[[Fit统计数据]]
#拟合方法=最小二乘法
#函数evals=8
#数据点=10
#变量=3
卡方检验=0.91573485
缩减卡方=0.13081926
Akaike信息临界值=-17.9061352
贝叶斯信息临界值=-16.9983799
[[变量]]
a:0.69752193+/-0.34404583（49.32%）（初始值=0.5）
b:1.17700278+/-0.59765274（50.78%）（初始值=1.1）
c:0.85298657+/-0.23838141（27.95%）（初始值=0.5）
[[相关性]]（未报告的相关性<0.100）
C（b，C）=-0.961
C（a，b）=-0.782
C（a，C）=0.607

还有一个

---

问题是我需要从数据文件中拟合数据集。当我没有矢量化时，我得到了一个类似“TypeError:只有大小为1的数组才能转换为Python标量”的错误。由于这是在一个数字数组代替单个数字作为输入时生成的，所以我进行了矢量化。主要问题是我需要拟合文件中的数据。您能否尝试使用

np.log

（如我的回答中所示）代替

test

函数中的

math.log

？numpy方法接受数组。传递初始化向量

p0

无效吗？非常感谢，它有效。主要问题是np.log。它需要数组，而math.log不需要。太好了。如果答案解决了您的问题，您可以将其标记为“已接受”，然后其他人知道它已解决。我现在对M Newville的答案进行了投票，因为它显示了lmfit的更好使用。我以前没有用过那个软件包，所以差一点就把错误消除了。听起来他的回答显示了一种更好的使用该软件包的方法。感谢您提供更详细的解释并分享您对lmfit的体验。我以前没用过那个包裹。

[[Model]]
    Model(test)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 8
    # data points      = 10
    # variables        = 3
    chi-square         = 0.91573485
    reduced chi-square = 0.13081926
    Akaike info crit   = -17.9061352
    Bayesian info crit = -16.9983799
[[Variables]]
    a:  0.69752193 +/- 0.34404583 (49.32%) (init = 0.5)
    b:  1.17700278 +/- 0.59765274 (50.78%) (init = 1.1)
    c:  0.85298657 +/- 0.23838141 (27.95%) (init = 0.5)
[[Correlations]] (unreported correlations are < 0.100)
    C(b, c) = -0.961
    C(a, b) = -0.782
    C(a, c) =  0.607