Scipy使用DataFrame优化最小化

Question

我有一个带有3列的数据框架：y，x1，x2。我想通过以下方式最大程度地降低正方形的总和来找到参数估计值B1和B2。

Objective function: minimize the sum of squares (Y - (b1*X1 + b2*X2))^2
Constraints: 0 < b1 < 2, 0 < b2 < 1
Initial guesses: b1=b2=0.5
Technique: Newton-Raphson

我知道我可以使用

scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)

但是我看不到如何从数据框中传递列，因为我从搜索中找到的所有示例都不使用来自dataframe的列。

我会非常感谢任何帮助。

Answer 1

这可能是您的一些起点。只要您的目标函数的返回是标量，那应该没问题。通过元组中的Args-keywords传递数据框。请参阅最小化函数的文档，以检查您要使用的方法。

编辑：我根据您的评论中的描述更改了代码。

import numpy as np
import scipy.optimize as opt
import pandas as pd
def main(df):
    x0 = [0.5,0.5]
    res = opt.minimize(fun=obj, x0=np.array(x0), args=(df), method="BFGS", bounds=[(0,2),(0,1)])
    return res
def obj(x, df):
    #maybe use a global variable to get the dataframe or via args
    sumSquares = np.mean((df["Y"] - (x[0]*df["X1"] + x[1]*df["X2"]))**2)
    return sumSquares
df = pd.DataFrame({"Y":np.random.rand(100),
                   "X1":np.random.rand(100),
                   "X2":np.random.rand(100)})
print(main(df))