1. SciPy生态全景与课程导航
SciPy 是 Python 科学计算栈中的“算法中枢”。它并不试图替代 NumPy，而是建立在 NumPy 的 ndarray 之上，把线性代数、优化、插值、积分、信号处理、统计、稀疏矩阵等领域的成熟数值算法封装成统一、稳定的接口。理解 SciPy 的定位，关键不是记住它有多少函数，而是看清它在整个生态中承担的角色：NumPy 负责数据容器与基础向量化运算，SciPy 负责在此之上提供“可直接调用的科学算法”，Matplotlib 负责把计算结果可视化，Pandas 负责带标签数据的组织与清洗。四者协作，才构成一条完整的科学计算工作流。
可以用一个典型场景来体会这种分工。假设我们要分析一组实验测得的振动信号：先用 Pandas 读入带时间戳的 CSV 并做缺失值处理，把数值列转成 NumPy 数组；再用 SciPy 的 signal.butter 设计滤波器、signal.filtfilt 做零相位滤波，用 signal.find_peaks 提取峰值；最后用 Matplotlib 绘制原始波形与滤波后波形对比。整个过程中，SciPy 承担的是“算法计算”这一层，输入输出都是 NumPy 数组，因此它能与上下游工具无缝衔接。这也是 SciPy 被称为“胶水层算法库”的原因。
从子包地图可以看出，SciPy 的组织方式是按“任务域”而非“数据类型”划分的。这带来一个实用好处：当你知道自己要解决什么问题（求根、拟合、滤波、积分），就能直接定位到对应子包，而不必在大量函数中盲目搜索。例如做曲线拟合，入口是 optimize.curve_fit；做常微分方程求解，入口是 integrate.solve_ivp；做稀疏线性方程组，入口是 sparse.linalg.spsolve。课程后续章节会围绕这些入口逐一展开，但本节先建立整体地图，避免“只见树木不见森林”。
需要特别说明 SciPy 与 NumPy 的边界。NumPy 的 linalg 也提供 solve、eig、svd 等基础线性代数功能，SciPy 的 linalg 则在此基础上补充了更丰富的分解（如 LU、QR、Schur）、更细的控制参数以及面向稀疏矩阵的算法。一般原则是：基础稠密运算优先用 NumPy，需要更专业算法、更细控制或稀疏场景时用 SciPy。两者接口风格一致，迁移成本很低。
本课程共 30 章，整体按“基础—核心子包—综合实战”推进。前几章建立生态认知与安装环境，随后依次深入 linalg、optimize、interpolate、integrate、stats、signal、sparse、fft、spatial、ndimage 等核心子包，每部分都配有可运行的小案例。课程后段设置综合实战项目，把多个子包串联起来解决一个完整问题，例如“传感器信号去噪与峰值检测”“实验数据非线性拟合与参数不确定性评估”“二维图像滤波与特征提取”。这些项目不是演示片段，而是要求你独立完成数据读入、算法选择、参数设置、结果验证的完整闭环。
环境准备方面，推荐使用 conda 或 venv 创建独立环境，安装 numpy、scipy、matplotlib、pandas 四个基础包即可开始。验证安装是否正常，可执行下面的最小检查：
import numpy as np
import scipy
from scipy import optimize, linalg
print("SciPy 版本:", scipy.__version__)
# 一个最小可运行示例：求解非线性方程 x^2 - 2 = 0
f = lambda x: x**2 - 2
root = optimize.root_scalar(f, bracket=[0, 2], method="brentq")
print("方程根:", root.root) # 预期接近 1.41421356
print("是否收敛:", root.converged) # 预期 True
# 线性方程组 Ax = b
A = np.array([[3.0, 1.0], [1.0, 2.0]])
b = np.array([9.0, 8.0])
x = linalg.solve(A, b)
print("解向量:", x) # 预期 [2.0, 3.0]
print("残差范数:", np.linalg.norm(A @ x - b)) # 预期接近 0
这段代码同时验证了三件事：SciPy 能正常导入、优化子包能完成求根并返回收敛标志、线性代数子包能求解方程组且残差接近零。判断结果是否可信，不要只看打印值“像不像”，而要看 converged 标志和残差范数这类定量指标。这是本课程反复强调的习惯：科学计算的结果必须附带可检验的收敛性、残差或误差估计，而不是一个孤立的数字。
最后给出本课程实战项目的总览表，帮助你建立“学完能做什么”的预期。项目会在对应章节后逐步解锁，每个项目都要求提交可复现的脚本与结果说明。
| 项目名称 | 涉及子包 | 核心任务 | 关键判断依据 |
|---|---|---|---|
| 振动信号去噪与峰值检测 | signal、fft、stats | 设计巴特沃斯滤波器，零相位滤波后提取峰值间隔 | 滤波前后频谱能量分布、峰值信噪比 |
| 实验数据非线性拟合 | optimize、stats | 用 curve_fit 拟合指数衰减模型并估计参数协方差 | 残差平方和、参数标准误、拟合优度 |
| 二维图像滤波与特征提取 | ndimage、spatial | 高斯平滑、边缘检测、连通域标记 | 边缘定位误差、连通域数量与面积分布 |
| 稀疏线性系统求解 | sparse、linalg | 构造稀疏矩阵并对比直接法与迭代法 | 残差范数、迭代次数、耗时对比 |
建立这张地图之后，后续每一章都可以回答三个问题：这个子包解决哪类问题、它的典型入口函数是什么、结果用什么指标判断可信。带着这三个问题进入学习，比逐条记忆 API 更有效，也更接近真实科研与工程中的使用方式。