在使用scipy.optimize.curve_fit时遍历numpy数组

Question

我需要遍历一个numpy数组里的元素，这样我就可以单独处理那些值为零的元素。下面的代码在简单的计算中可以正常工作，但在使用scipy.optimize.curve_fit()时就不行了。有没有办法让这个在curve_fit函数中也能正常工作呢？

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

def my_fn(x_array, b, a):
    y = []
    for x in np.nditer(x_array): #This doesn't work with curve_fit()
        if x == 0:
            y.append(0)
        else:
            y.append(b*(1/np.tanh(x/a) - a/x))
    return np.array(y)


x_meas = [0, 5, 20, 50, 100, 200, 600]
y_meas = [0, 0.275, 1.22, 1.64, 1.77, 1.84, 1.9]
xfit = np.linspace(0,600,601)
yfit2 = my_fn(xfit, 1.95, 8.2) #manual fit

#Not working
#popt, pcov = curve_fit(my_fn, x_meas, y_meas, p0=[1.95, 8.2]) 
#yfit1 = my_fn(xfit, *popt) #auto fit

figure(1)
plot(x_meas, y_meas, 'o', xfit, yfit2)
show()

Answer 1

我需要遍历一个numpy数组里的元素，这样我就可以单独处理任何零元素。

其实你不需要这样做；这样做会更快，并且在任何地方都能用：

def my_fn(x, b, a):
    y = np.zeros(x.shape)
    nonzero = np.where(x != 0)
    x = x[nonzero]
    y[nonzero] = b*(1/np.tanh(x/a) - a/x)
    return y

Answer 2

为了让 larsmans 的回答 真正有效，你还需要把你的数据样本转换成 NumPy 数组：

x_meas = numpy.array([0, 5, 20, 50, 100, 200, 600], float)
y_meas = numpy.array([0, 0.275, 1.22, 1.64, 1.77, 1.84, 1.9], float)

(转换 y_meas 其实不是绝对必要的。)

下面是 larsmans 的代码，里面加入了我的一些建议：

def my_fn(x, b, a):
    y = np.zeros_like(x)
    nonzero = x != 0
    x = x[nonzero]
    y[nonzero] = b*(1/np.tanh(x/a) - a/x)
    return y