Python 使用带有timeseries数据的熊猫数据帧作为SciPy优化的基础

我有一个数据帧（dfA）。数据帧dfB、dfP和dfR应通过优化计算。使用ScipPy minimize，我试图找到dfB和dfP的值，其中dfR中的残差之和最小。（dfR=dfA-（dfB+dfP））

我设置了以下约束条件：

    #defining constraints
cons = (
        {'type': 'ineq', 'fun': lambda x:  x[0] + x[1] - int(dfA.max())},   # sum of b and p not greater than max amount of dfA
        {'type': 'ineq', 'fun': lambda x:  x[0]},                           # x[0] 0 or higher
        {'type': 'ineq', 'fun': lambda x:  x[1]},                           # x[1] 0 or higher
        {'type': 'ineq', 'fun': lambda x:  x[0]-100},                           # x[0] < 100
        {'type': 'ineq', 'fun': lambda x:  x[1]-100},                           # x[1] <100
        )

我称之为最小化，如下所示：

    def optGoal(b, p, dfA, dfB, dfP):

         dfB['b'] = b                             # set df Values to b, constant value for all existing indices
         dfP['p'] = p                              # set df Values to p, constant value for all existing indices

         dfR = dfA['LP1'] - (dfB['b'].add(dfP['p'], fill_value=0))         # df Residual = df Profile - (dfB + dfP) but fill the NAN values --- dfB['b'].add(dfP['p'], fill_value=0)
    return dfR.sum()

  print spo.minimize(lambda x: optGoal(x[0], x[1], dfA, dfB, dfP), [0,0], method='COBYLA', constraints = cons, options={'maxiter':50000})      # optimization and printing result

但优化没有成功：

      status: 2
    nfev: 50000
   maxcv: 0.0
 success: False
     fun: -402779.92870763224
       x: array([ 43388.11278667,  24835.78480024])
 message: 'Maximum number of function evaluations has been exceeded.'

因此，我希望得到dfB（索引1到7）和dfP（索引3到6）的值，这将导致最小残差和（dfR）

与初始dfB和dfP创建一样，dfB中应该有一个值覆盖索引1到7，dfP中应该有一个值覆盖索引3到6

---

你能帮我解释一下我做错了什么吗？

你的目标函数在两个变量上都是递减的，在b上有一个更陡的斜率，所以为了最小化它，你必须尽可能地增加b，如果你还有一些余量（你没有）。这将为您提供b=dfA.max（），p=0作为最小化函数的值。用计算机来做这件事就像用大锤敲开螺母一样。但我离题了

您的约束与您的意图不匹配（如注释中所述）。你想要这个：

cons = (
        {'type': 'ineq', 'fun': lambda x:  int(dfA.max()) - x[0] - x[1]},   # sum of b and p not greater than max amount of dfA
        {'type': 'ineq', 'fun': lambda x:  x[0]},                           # x[0] 0 or higher
        {'type': 'ineq', 'fun': lambda x:  x[1]},                           # x[1] 0 or higher
        {'type': 'ineq', 'fun': lambda x:  100 - x[0]},                           # x[0] < 100
        {'type': 'ineq', 'fun': lambda x:  100 - x[1]},                           # x[1] < 100
        )

---

令我惊讶的是，计算出的解不在可行区域内。我不熟悉一般的scipy优化或数值优化，所以我不知道这是否符合预期。嗯，我想是的。

很抱歉，我错把我的评论作为答案发布了。没问题。感谢您查看我的问题。如何将浮点值<0转换为int>=0？对于不在00:01和06:00之间的小时，dfR的值是什么？此外，“dfB和dfC中的值对于一年中的所有小时都应该相同（每个数据帧中的所有小时都保持不变）”我不清楚你的意思。我试着用一个更好的例子和代码来表达这个问题。@Markus查看我的编辑。我认为这些限制是错误的。这些注释是有意义的，但是函数与它们不匹配，并且实际上使您的问题在下面再次变得无界。非常感谢。我现在得到的结果与上面完全相同。我将目标函数更改为“return abs（dfR.sum（）”，我得到的结果是：“x:array（[29.7386825,17.95748859]），这对我来说有点奇怪，因为我使用Excel solver得到的结果是“x:array（[40,0]）。Excel解算器解决方案似乎更好，因为残差之和正好为0。

cons = (
        {'type': 'ineq', 'fun': lambda x:  int(dfA.max()) - x[0] - x[1]},   # sum of b and p not greater than max amount of dfA
        {'type': 'ineq', 'fun': lambda x:  x[0]},                           # x[0] 0 or higher
        {'type': 'ineq', 'fun': lambda x:  x[1]},                           # x[1] 0 or higher
        {'type': 'ineq', 'fun': lambda x:  100 - x[0]},                           # x[0] < 100
        {'type': 'ineq', 'fun': lambda x:  100 - x[1]},                           # x[1] < 100
        )

  status: 1
    nfev: 99
     fun: -210.0
 message: 'Optimization terminated successfully.'
       x: array([  7.00000000e+01,  -1.73472348e-18])
   maxcv: 1.7347234759768071e-18
 success: True