【发布时间】：2020-07-31 14:09:57
【问题描述】：
我正在尝试使用scipy.optimize 优化预测参数。我按照教程进行操作，并在 stackoverflow 上找到了一些不错的示例，但我遇到了一个无法解决的问题。我开始怀疑在 scipy 中使用 pandas 是否是一个糟糕的选择？
我的代码设置如下：
import simpy
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
import pandas as pd
import statistics as stat
import math as m
#from sklearn.grid_search import ParameterGrid
from scipy.optimize import minimize
###dataframe for the simulation
df = pd.read_csv('simulation_df_data_2018_2.csv')
with pd.option_context("max_rows", None,"max_columns", None):
print(df.head())
for i in df.index:
alpha = 0.2
beta = 0.3
x = np.array([alpha, beta])
def holts(x):
LO = np.int(df['average_demand'].loc[i])
print(type(LO))
TO = ((df['m2'].loc[i] - df['m3'].loc[i]) + (df['m1'].loc[i] - df['m2'].loc[i])) / 2
L1 = round(x[0] * df['m3'].loc[i] + (1 - x[0]) * (
LO + TO))
T1 = x[1] * (L1 - LO) + (1 - x[1]) * TO
L2 = round(x[0] * df['m2'].loc[i] + (1 - x[0]) * (
L1 + T1))
T2 = x[1] * (L2 - L1) + (1 - x[1]) * T1
L3 = round(x[0] * df['m1'].loc[i] + (1 - x[0]) * (
L2 + T2))
T3 = beta * (L3 - L2) + (1 - beta) * T2
LT1 = round(L3 + 1 * T3)
MSE = ((df['m3'].loc[i] - L1) + (df['m2'].loc[i] - L2) + (
df['m2'].loc[i] - L3)) ** 2 / 3
return MSE
#print(holts(x))
x0 = [0.1,0.1]
result = minimize(holts, x0, bounds=[(0,1),(0,1)], method="SLSQP")
print(result)
print(x)
df 看起来像这样：
m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m11 \
0 0.0 8.0 2.0 0.0 14.0 0.0 5.0 2.0 4.0 4.0 10.0
1 4.0 55.0 2.0 72.0 38.0 87.0 113.0 2.0 0.0 165.0 2.0
2 18.0 34.0 6.0 63.0 14.0 18.0 33.0 35.0 51.0 0.0 24.0
3 0.0 21.0 3.0 10.0 15.0 0.0 32.0 1.0 3.0 17.0 0.0
4 96.0 106.0 237.0 136.0 138.0 116.0 167.0 158.0 110.0 115.0 161.0
m12 m13 m14 m15 m16 m17 m18 m19 m20 m21 m22 \
0 0.0 6.0 10.0 0.0 2.0 2.0 17.0 0.0 0.0 0.0 0.0
1 35.0 7.0 88.0 6.0 3.0 103.0 18.0 59.0 6.0 20.0 152.0
2 6.0 5.0 99.0 7.0 17.0 15.0 8.0 3.0 21.0 6.0 4.0
3 30.0 5.0 88.0 1.0 6.0 10.0 9.0 17.0 9.0 0.0 1.0
4 116.0 77.0 48.0 96.0 69.0 77.0 96.0 74.0 94.0 101.0 115.0
m23 m24 average_demand low_demand high_demand
0 0.0 0.0 3.583333 0.0 17.0
1 6.0 0.0 43.458333 0.0 165.0
2 14.0 12.0 21.375000 0.0 99.0
3 0.0 0.0 11.583333 0.0 88.0
4 158.0 167.0 117.833333 48.0 237.0
我对不断收到的错误感到非常困惑，这是回溯
Traceback (most recent call last):
File "/Users/pierre/Desktop/simul/forecast_holts_alpha.py", line 121, in <module>
result = minimize(holts, x0, args= coef_list,bounds=[(0,1),(0,1)], method="SLSQP")
File "/Users/pierre/Desktop/Django-app/lib/python3.7/site-packages/scipy/optimize/_minimize.py", line 618, in minimize
constraints, callback=callback, **options)
File "/Users/pierre/Desktop/Django-app/lib/python3.7/site-packages/scipy/optimize/slsqp.py", line 399, in _minimize_slsqp
fx = func(x)
File "/Users/pierre/Desktop/Django-app/lib/python3.7/site-packages/scipy/optimize/optimize.py", line 327, in function_wrapper
return function(*(wrapper_args + args))
File "/Users/pierre/Desktop/simul/forecast_holts_alpha.py", line 63, in holts
LO = np.int(df['average_demand'].loc[i])
IndexError: only integers, slices (`:`), ellipsis (`...`), numpy.newaxis (`None`) and integer or boolean arrays are valid indices
我不明白为什么会出现此错误，尤其是因为如果我搜索 LO 的类型，我会得到：
print(type(LO))
<class 'int'>
我不是经验丰富的程序员，所以我很难弄清楚发生了什么，任何帮助将不胜感激！
更新：
fun: 56.333333333333336
jac: array([0., 0.])
message: 'Optimization terminated successfully.'
nfev: 4
nit: 1
njev: 1
status: 0
success: True
x: array([0.1, 0.1])
[0.2,0.3]
OUTPUT 看起来像这样，但似乎没有优化任何东西
【问题讨论】：
-
我认为docs for
scipy.optimize.minimize会有所帮助。您的holts函数签名与文档不匹配，文档应为fun(x, *args) -> float。由于您的代码中有x0 = [0.1, 0.1]，我认为x应该是形状为(2,) 的一维数组。 -
谢谢你的链接，它有帮助，但我没有从“其中 x 是一个形状为 (n,) 的一维数组和 args 是固定参数的元组需要完全指定功能。”除了 x 需要是一个数组而不是数据框之外，你能告诉我 X 需要是什么吗？
-
在函数签名
fun(x, *args) -> float中，x应该是要最小化的函数的变量。在您的代码中，您希望最小化holts函数，而holts(df, coef_list)函数在变量x的位置上有df，这似乎是错误的。对于哪些变量，您希望最小化holts函数？您的holts函数似乎没有变量。 -
我试图通过优化变量 alpha 和 beta 来最小化 MSE。如果我理解你，x 需要是一个包含 alpha 和 beta 的数组？
-
是的。如果
alpha和beta是变量，则x需要是一个包含alpha和beta的数组。