如果你愿意/能够编辑原始函数，有一个更简单的选项。
将您的函数重新定义为：

def func(x,a):
    return a*x*x + b

然后你可以简单地把它放在参数B的循环中：

for b in xrange(10):
   popt,pcov = curve_fit(func, x1, x2)

警告：函数需要在调用它的同一脚本中定义，这样才能正常工作。

Scipy的curve_fit有三个位置参数，func，xdata和ydata，所以另一种方法（使用函数 Package 器）是将'B'作为xdata（即自变量），方法是构建一个矩阵，其中包含原始xdata（x1）和固定参数b的第二列。
假设x1和x2是数组：

def func(xdata,a):
   x, b = xdata[:,0], xdata[:,1]  # Extract your x and b
   return a*x*x + b

for b in xrange(10): 
   xdata = np.zeros((len(x1),2))  # initialize a matrix
   xdata[:,0] = x1  # your original x-data
   xdata[:,1] = b  # your fixed parameter
   popt,pcov = curve_fit(func,xdata,x2)  # x2 is your y-data

可以将func Package 在lambda中，如下所示：

def func(x, a, b):
   return a*x*x + b

for b in xrange(10):
   popt, pcov = curve_fit(lambda x, a: func(x, a, b), x1, x2)

lambda是一个匿名函数，在Python中只能用于简单的单行函数。基本上，当不需要为函数赋值时，它通常用于减少代码量。更详细的描述在官方文档中给出：http://docs.python.org/tutorial/controlflow.html#lambda-forms
在本例中，lambda用于修复func的一个参数，新创建的函数只接受两个参数：x和a，而b固定为从本地b变量中获取的值。然后，将此新函数作为参数传递到curve_fit。

一个更好的方法是使用lmfit，它为曲线拟合提供了一个更高级别的接口。Lmfit使拟合参数成为一级对象，可以有边界或显式固定（在其他特性中）。
使用lmfit，这个问题可以解决为：

from lmfit import Model
def func(x,a,b):
   return a*x*x + b

# create model
fmodel = Model(func)
# create parameters -- these are named from the function arguments --
# giving initial values
params = fmodel.make_params(a=1, b=0)

# fix b:
params['b'].vary = False

# fit parameters to data with various *static* values of b:
for b in range(10):
   params['b'].value = b
   result = fmodel.fit(ydata, params, x=x)
   print(": b=%f, a=%f+/-%f, chi-square=%f" % (b, result.params['a'].value, 
                                             result.params['a'].stderr,
                                             result.chisqr))

我建议不要使用lambda函数，因为它可能不太直观，而要指定scikit curve_fit参数bounds，它将强制在自定义边界内搜索参数。
您所要做的就是让变量***a***在-inf和+inf之间移动，让变量***b***在（b-epsilon）和（b+ epsilon）之间移动。
在您的示例中：

epsilon = 0.00001

def func(x,a,b):
    return a*x*x + b

for b in xrange(10):
    popt,pcov = curve_fit(func,x1,x2, bounds=((-np.inf,b-epsilon), (np.inf,b+epsilon))

我有效地使用了Anton Beloglazov的解决方案，尽管我喜欢避免使用lambda函数来提高可读性，所以我做了以下操作：

def func(x,a,b):
   return a*x*x + b

def helper(x,a):
   return func(x,a,b)

for b in xrange(10):
   popt,pcov = curve_fit(helper, x1, x2)

这最终会让人想起Rick贝格的答案，但我喜欢用一个函数来处理问题的“物理”，用一个帮助函数来使代码工作。

另一种方法是使用与初始值相同（+ eps）的上界和下界。使用相同的初始条件和边界示例：

def func(x,a,b):
   return a*x*x + b
# free for a and b
popt,pcov = curve_fit(func, x1, x2, 
                      p0=[1,1], 
                      bounds=[(-inf,-inf),(inf,inf)])

# free for a; fixed for b  ; 
eps=1/100
popt,pcov = curve_fit(func, x1, x2, 
                      p0=[1,1], 
                      bounds=[(-inf,(1-eps)),(inf,(1+eps))])

记住插入一个epsilon，否则a和b必须相同