如何在Python中使用leastsq优化具有两个变量的数据？

本人已收到以下表格：

X   Y1  Y2  Y3  Y4  Y5  Y6
1.42857 4.83    4.58    4.43    4.31    4.22    4.14
1.40845 3.87    3.63    3.49    3.38    3.3 3.23
1.38889 3.17    2.93    2.79    2.69    2.62    2.56
1.36986 2.65    2.41    2.27    2.17    2.11    2.05
1.35135 2.27    2.02    1.88    1.78    1.72    1.67
    :     :       :       :       :        :      :
1.01010 2.26    1.6 1.21    0.97    0.79    0.66
1.00000 2.01    1.44    1.1 0.88    0.73    0.62

我试图优化表单的一个函数：

现在我的y变量有6列，我可以优化一列（在MWE#3中），这是我在MWE中完成的。如何优化函数以获得所有6列值的参数A、n和B？换句话说，我怎样才能得到所有6个y值的A，n和B的值

MWE

import numpy as np
from scipy.signal import argrelextrema
import scipy.interpolate
from scipy.optimize import leastsq


with open('./exp_fit.dat', "r") as data:
    while True:
        line = data.readline()
        if not line.startswith('#'):
            break
    data_header = [i for i in line.strip().split('\t') if i]
    _data_ = np.genfromtxt(data, names = data_header, dtype = None, delimiter = '\t')
_data_.dtype.names = [j.replace('_', ' ') for j in _data_.dtype.names]
data = np.array(_data_.tolist())

x = _data_['X']
x_interp = np.linspace(x[-1], x[0], 100)

y = np.zeros(shape = (len(x), 6))
y_interp = np.zeros(shape = (len(x_interp), 6))
for i in range(6):
    y[:, i] = data[:, i + 1]
    tck = scipy.interpolate.splrep(x[::-1], y[::-1, i], s=0)
    y_interp[::-1, i] = scipy.interpolate.splev(x_interp, tck, der = 0)


def residuals(p, y, x):
    A_lt, n_lt, B_lt, A_it, n_it, B_it, A_ht, n_ht, B_ht = p
    err = y - (1 / (1 / ((A_it * (15 ** (-n_it)) * np.exp(B_it * x / 1000)) + \
        (A_lt * (15 ** (-n_lt)) * np.exp(B_lt * x / 1000))) + \
        1 / (A_ht * (15 ** (-n_ht)) * np.exp(B_ht * x / 1000))))
    return err
p1 = [2.789E-05, 1.47, 9.368E+03, 2.789E-05, 1.47, 9.368E+03, 2.789E-05, 1.47, 9.368E+03]
plsq = leastsq(residuals, p1, args=(y_interp[:, 2], x_interp))
A1, n1, B1, A2, n2, B2, A3, n3, B3 =  plsq[0]

---

残差函数应该只返回所有不同列的残差。我也不知道为什么要拟合插值函数而不是原始数据。后者似乎是更标准的方法。这会提供2D优化吗？这将提供一组最适合整体数据的参数。不确定2D优化是什么意思。残差函数应该只返回所有不同列的残差。我也不知道为什么要拟合插值函数而不是原始数据。后者似乎是更标准的方法。这会提供2D优化吗？这将提供一组最适合整体数据的参数。不知道你所说的2D优化是什么意思。