我正在使用lmfit python包https://lmfit.github.io/lmfit-py/将数据拟合到某些参数的某些允许变化范围内的指定非线性函数（这主要是为什么我发现lmfit很有吸引力）。
通常lmfit的两个重要代码行是;
def fcn2min(params, x_data, y_data):
result = minimize(fcn2min, params, args=(x_data, y_data))
我的应用是跨36个数据图表进行全局拟合。问题是一些参数没有被拟合（变化=无），是已知量，并且在所有36个图中变化但在它们自己的图中保持相同。目前，我试图实现以下语法，以便将这些已知参数与其关联的x_data和y_data点一起传递。
def fcn2min(params, x_data, y_data, known_params):
result = minimize(fcn2min, params, args=(x_data, y_data, known_params))
这里x_data，y_data和known_params是相同长度的数组。 x_data和y_data由所有36个图形的单个数组组成，known_params是一个三列数组，其中包含每个图形中固定的参数的重复条目。
目前程序运行速度很慢（执行完成后30分钟）。此外，拟合曲线对于所有图形都是相同的，而我希望它使用已知参数拟合每个局部图形并且仅适合全局参数。
我想问我是否正确地做到了这一点？我明白为什么minim（）需要对y_data的引用进行拟合，但为什么fcn2min（）需要y_data作为输入？我的拟合程序可能会混淆它是否适合y_data或known_params数组？有没有更好的方法通过lmfit来做到这一点，还是我应该寻找另一个数字包？
答案 0 :(得分：0)
如果没有实际的示例代码，获取所有细节有点困难，但我可以尝试解决您提出的一些主题。
首先，fcn2min()需要传递y_data（和x_data这个数组）数组，因为从minimize()（和底层求解器）的角度来看，它期望目标函数在给定可变参数的情况下使数组返回最小化 - 它没有考虑＆＃34;数据＆＃34;一点都不对于拟合数据，您的目标函数可能很好
return y_data - model_for_y(params, x_data)
但是拟合算法关注参数值如何改变要最小化的数组，而不是如何计算该数组。它被称为＆＃34;最小化（）＆＃34;，而不是＆＃34; fit（）＆＃34;。
其次，如果我理解正确，你有很多（36）个数据集都具有大致相同的模型，虽然每个数据集的某些参数值可能不同，但是其他一些数据集应该在所有数据集之间共享
使用lmfit，最好的方法是做一个全局适合。创建一个Parameters（）对象，每个模型有36组参数。例如，如果您拟合36个数据集，每个数据集都具有类似峰值的函数，每个数据集都有参数＆＃34; amp＆＃34;，＆＃34; center＆＃34;，＆＃34; sigma＆＃34;，＆＃ 34; offset＆＃34;，您可以创建名为amp01，center01，...，sigma36，offset36的参数。是的，这可能是适合的许多参数。
然后，在您的目标函数中，循环遍历每个数据集，仅使用适当的参数对该数据集进行建模，为36个数据集构建36个单独的残差。最后，连接这些以使最大化的数组最小化。
如果36 * nparameters_per_dataset参数中的每一个都是独立变量，那么你可能在运行36个单独拟合方面获得了很多。但是，如果你可以断言某些变量对于所有数据集都具有相同的值，那么这些变量就不会是独立的。我认为这就是你要做的事情。
让我们说你知道＆＃34;抵消＆＃34;对于所有数据集都是相同的。您只需制作1 offset参数并将其用于所有数据集，因此不能offset01 ... offest36，只需1 offset。
为了更灵活，您可以定义offset01，...，offset36，但使用lmfit约束来绑定其值
params = Parameters()
params.add('offset01', value=0, vary=True)
params.add('offset02', expr='offset01')
params.add('offset03', expr='offset01')
...
使用这样的定义，offset01的拟合会有所不同，offset2和offset03将与offset01具有相同的价值 - 他们赢了独立但有限制。约束表达式可能更复杂，包括多个参数名称和许多Python和numpy函数。
希望有所帮助。