2. 数值函数选型方法论
在 SciPy 中完成同一个数值任务，往往有三到五种函数可选：求根可以用 root_scalar、brentq、bisect、newton；积分可以用 quad、quad_vec、fixed_quad、romb；插值可以用 interp1d、CubicSpline、make_interp_spline、RegularGridInterpolator。选错函数通常不会报错，而是给出“看起来合理但精度不足”或“慢到无法接受”的结果，这类问题最难排查。因此选型不能靠记忆函数名，而应建立一套可复用的判断顺序。
本节给出一个四维决策框架：问题类型决定候选函数集合，精度要求决定算法阶数与容差设置，性能约束决定是否向量化或换用专用实现，数据规模决定内存布局与是否分块。四个维度按顺序过滤，最终收敛到一到两个函数，再用小规模试验验证。
第一维：问题类型决定候选集合
选型的第一步不是看精度，而是先明确数学问题的类别。求根、积分、插值、优化、线性代数这五类问题在 SciPy 中分属不同子模块，函数之间基本不可互换。以“求解 f(x)=0”为例，如果函数连续且已知区间两端异号，brentq 是首选：它结合了二分法的稳健性与割线法的收敛速度，超线性收敛且保证收敛。如果已知解析导数，newton 收敛更快（二阶），但初值不佳时会发散。如果只知道函数值、没有导数、也不确定区间，则退回到 root_scalar 并显式指定方法。
再看积分：quad 面向一维有限或无限区间，内部使用 QUADPACK 的自适应算法；quad_vec 面向返回向量值的被积函数；fixed_quad 使用固定阶高斯-勒让德求积，不做自适应，速度快但精度依赖被积函数的光滑程度。把 fixed_quad 用在有尖峰的函数上，结果可能偏差几个数量级，而它不会给出任何警告——这正是“误用函数”的典型场景。
第二维：精度要求决定算法阶数与容差
精度不是越高越好，而是要与问题本身的可信度匹配。SciPy 的积分函数默认 epsabs=1.49e-8、epsrel=1.49e-8，对大多数工程问题足够；若需要 1e-12 量级，应显式设置 epsabs=1e-13, epsrel=1e-13，同时注意被积函数的浮点舍入误差会形成精度下限，盲目收紧容差只会增加函数调用次数而不改善结果。
求根问题中，brentq 的 xtol 默认约 2e-12，通常无需调整；而 newton 的收敛依赖初值和导数质量，精度要求高时应检查返回的 converged 标志，而不是只看数值。插值方面，线性插值误差为 O(h²)，三次样条为 O(h⁴)，若数据本身带有 1e-3 量级的测量噪声，追求 O(h⁴) 的插值精度没有意义，反而会放大噪声。
第三维：性能约束决定调用方式
性能约束的核心问题是“调用多少次”。单次标量调用时，brentq 与 quad 的 Python 层开销可以忽略，选型只需关注正确性。但当需要对 10 万个参数组合分别求根时，逐个调用 brentq 会带来明显的解释器开销，此时应考虑：能否把问题改写成向量化形式，用 numpy 广播一次性求解；或者用 scipy.optimize.root 的批量接口；积分场景则换用 quad_vec。
实时或嵌入式场景下，自适应算法的不确定调用次数是隐患。更稳妥的做法是离线用 quad 或 CubicSpline 生成高密度查找表，在线只做线性插值，把每次调用的耗时控制在常数级。
第四维：数据规模决定内存与算法结构
数据规模直接影响是否能用稠密矩阵。以线性方程组为例，规模在 1e4 以下时 scipy.linalg.solve 的直接分解完全可行；到 1e5 以上，稠密矩阵的内存占用达到 GB 级，应改用 scipy.sparse.linalg.spsolve 或共轭梯度类迭代法。插值同理：CubicSpline 需要存储全部节点，百万级节点时应改用 RegularGridInterpolator 或分段处理，避免一次性构造完整样条。
把四维串成可执行的判断顺序
实际使用时，按“问题类型 → 精度 → 性能 → 规模”的顺序逐层过滤，每层只保留满足条件的函数。下面是一个可直接套用的选型检查表示例，以“求解单变量方程”为对象：
| 判断层 | 问题特征 | 推荐函数 | 需显式设置的参数 |
|---|---|---|---|
| 问题类型 | 连续函数、已知异号区间 | brentq | xtol、rtol |
| 问题类型 | 已知解析导数 | newton | fprime、tol |
| 精度 | 需 1e-12 且要求收敛保证 | brentq | xtol=1e-13 |
| 性能 | 批量 1e5 个独立方程 | 向量化改写或 root | 批量初值数组 |
| 规模 | 每次求根涉及大矩阵运算 | 稀疏求解 + 外层求根 | 稀疏格式、预条件 |
fixed_quad 或高阶样条；对病态问题盲目收紧容差导致不收敛；对批量问题逐个调用标量函数而不做向量化。这三类错误都不会抛出异常，只会让结果悄悄失真或耗时暴增。四维决策树的价值在于把“凭经验猜函数”变成“按条件排除”。当候选函数只剩一两个时，再结合文档中的算法说明与一次小规模试验，就能在正确性、精度和性能之间取得可解释的平衡。