Question

我想知道使用Scipy来配合Pandas DataFrame列的最佳方法。如果我有一个包含（A，B，C，D和Z_real）列的数据表（Pandas DataFrame），其中Z取决于A，B ，C和D，我想拟合每个DataFrame行（Series）的函数，它对Z（Z_pred）进行预测。

要适合的每个函数的签名是

func(series, param_1, param_2...)

其中series是Pandas系列，对应于DataFrame的每一行。我使用Pandas系列，以便不同的功能可以使用不同的列组合。

我已尝试使用

将DataFrame传递给scipy.optimize.curve_fit

curve_fit(func, table, table.loc[:, 'Z_real'])

但由于某种原因，每个func实例都将整个数据表作为其第一个参数传递，而不是每行的Series。我也尝试将DataFrame转换为Series对象列表，但这会导致我的函数被传递给Numpy数组（我想是因为Scipy执行从系列列表到Numpy数组的转换，而这个数组并没有。保留Pandas Series对象。）

Answer 1

您对curve_fit的来电不正确。来自the documentation：

xdata ：具有k个预测变量的函数的M长度序列或（k，M）形数组。

测量数据的自变量。

ydata ： M长度序列

依赖数据 - 名义上为f（xdata，...）

在这种情况下，您的自变量 xdata是A到D列，即table[['A', 'B', 'C', 'D']]，您的因变量 {{1} }是ydata。

另请注意，table['Z_real']应为（k，M）数组，其中 k 是预测变量（即列）和 M 是观察数（即行数）。因此，您应该将输入数据帧转换为（4，M）而不是（M，4），即xdata。

对table[['A', 'B', 'C', 'D']].T的整个调用可能如下所示：

curve_fit

这是一个显示多元线性回归的完整示例：

curve_fit(func, table[['A', 'B', 'C', 'D']].T, table['Z_real'])

将Pandas DataFrame传递给Scipy.optimize.curve_fit

1 个答案: