1. 课程导入与SciPy生态定位

在开始学习SciPy之前，先要建立一个清晰的认知：SciPy不是"更强大的NumPy"，也不是一个包揽一切的万能库。它更像是一座建立在NumPy数组地基之上的"数值算法工具箱"，把插值、优化、积分、信号处理、稀疏矩阵、统计检验等成熟算法封装成统一风格的函数接口。理解这一点，决定了你后续选型时的判断方式——先问"这是数组运算还是算法求解"，再决定用NumPy还是SciPy。

NumPy与SciPy的分工

NumPy的核心职责是数据容器与向量化运算：它提供ndarray多维数组、广播机制、基础线性代数（如矩阵乘法、求逆、特征值）、傅里叶变换和随机数生成。SciPy则在此之上提供面向具体问题的算法实现：当你需要"求解一个非线性方程"、"对实验数据做样条插值"、"计算定积分"、"设计一个低通滤波器"时，NumPy没有现成的高层接口，而SciPy有。

一个常见的误区是把两者对立起来。实际上SciPy大量依赖NumPy数组作为输入输出，二者是上下游关系。例如用scipy.optimize.minimize求最小值时，目标函数的参数、返回的优化变量都是NumPy数组；用scipy.interpolate.interp1d做插值时，输入的x、y也是ndarray。因此学习路径应当是：先掌握NumPy的数组创建、索引切片、广播和基础线代，再进入SciPy各子包的算法调用。

子包概览与选型地图

SciPy的子包按数学问题域划分，每个子包内部又按算法族组织函数。初学者最容易迷失在"函数太多"里，实际上只要记住"问题→子包"的映射，就能快速定位。下面这张图把常见数值任务与对应子包、典型函数放在一起，作为后续章节的选型索引。

一个最小对照示例

用同一组数据分别走NumPy和SciPy路径，可以直观感受分工差异。假设有一组带噪声的观测点，想拟合一条直线：

import numpy as np
from scipy import optimize

x = np.array([0.0, 1.0, 2.0, 3.0, 4.0])
y = np.array([1.1, 2.9, 5.2, 6.8, 9.1])

# NumPy 路径：用最小二乘公式手动构造
A = np.vstack([x, np.ones_like(x)]).T
k, b = np.linalg.lstsq(A, y, rcond=None)[0]

# SciPy 路径：直接调用通用曲线拟合
def line(t, k, b):
    return k * t + b
popt, pcov = optimize.curve_fit(line, x, y)
print(popt)   # 示例输出约为 [2.0, 1.0] 量级

两条路径都能得到斜率与截距，但NumPy版本要求你先把问题化成矩阵形式，SciPy版本则允许你直接写模型函数。当模型从直线变成指数衰减、双高斯或自定义微分方程时，SciPy的接口优势会迅速放大。这也解释了为什么本课程把"选型"放在第一位：选错子包，往往不是代码报错，而是结果看似合理却用错了算法假设。

学习路径建议

建议按"数据→求解→变换→检验"的顺序推进：先用NumPy打牢数组与广播基础；再进入optimize与integrate，因为求根、最小化、积分是绝大多数工程问题的骨架；随后学习interpolate与signal处理实验与传感器数据；最后补充linalg、sparse、stats等专项工具。每学一个子包，都养成先读函数签名、再看返回值字段、最后用小规模已知答案验证的习惯。例如验证quad时，先积分一个解析可求的函数（如∫₀¹ x² dx = 1/3），确认误差量级在1e-10附近，再用于真实被积函数。