1. 课程导入与全景认知

在科学计算、工程仿真、金融建模乃至教学演示中，我们经常面对一个看似简单却暗藏风险的任务：把纸面上的数学公式变成计算机能执行的代码，并确认算出来的结果是对的。这个过程远比"照着公式敲一遍"复杂。一个公式从符号形态到最终可信的数值输出，中间要经过符号推导、离散化、数值实现、测试验证等多个环节，每个环节都可能引入错误。本课程要解决的，正是这条链路上的"转换"与"校验"两大核心问题。

为什么公式转代码容易出错

先看一个具体例子。假设我们要计算函数 f(x) = (1 − cos x) / x² 在 x 接近 0 时的值。数学上这个极限是 0.5，公式本身没有歧义。但如果直接用双精度浮点数按字面实现，当 x = 1e-8 时，cos x 约等于 1 − 5e-17，而双精度能表示的最小相对差异在 1 附近约为 2.2e-16，于是 1 − cos x 会发生严重的灾难性抵消，计算结果可能变成 0 甚至负数，与真值 0.5 相差甚远。公式没错，代码"照抄"也没错，但结果错了。

这类问题揭示了一个关键事实：数学公式的正确性不等于代码的正确性。公式假设实数运算、无限精度、连续取值；代码面对的是有限精度、离散采样、特定数据类型。转换链路中至少存在四类典型风险：符号推导时的代数变形错误、离散化带来的截断误差、浮点运算的舍入与抵消、以及实现时下标、边界、单位的笔误。校验的必要性正来源于此——它不是可选的"锦上添花"，而是保证计算结果可信的必经环节。

转换链路全景

把公式变成可信代码，可以理解为一条从"符号世界"流向"数值世界"、再经过"验证回路"确认的链路。下图展示了这条链路的主要环节与工具分工。

图中三个区域对应三类工具：符号计算负责"把公式推对"，数值计算负责"把公式算出来"，测试框架负责"确认算得对"。三者不是串行的一次性流程，而是带有反馈回路的闭环——测试发现偏差后，要回到数值实现甚至符号推导去修正。

工具链概览与分工

本课程使用的工具链以 Python 生态为主，各工具职责清晰：

• 符号计算（SymPy）：用于公式的解析表达、求导、积分、化简、极限计算，以及把符号表达式自动转换为可调用的数值函数（lambdify）。它帮我们在"符号世界"里确认公式的代数形态是否正确。
• 数值计算（NumPy / SciPy）：负责数组运算、线性代数、数值积分、常微分方程求解等。它面对的是有限精度浮点数，需要关注数据类型、向量化写法与数值稳定性。
• 测试框架（pytest）：把"结果应该等于多少"写成可重复执行的断言，配合 numpy.testing.assert_allclose 这类带容差的比较函数，实现回归校验。

三者配合的典型方式是：用 SymPy 推导出解析结果或生成参考实现，用 NumPy 写出面向性能的数值实现，再用 pytest 把两者在若干测试点上比对。例如对上面的 f(x)，可以先用 SymPy 求出极限值 0.5 作为基准，再在 x = 1e-3、1e-5 等点上比较数值实现与基准的差异，容差设为 1e-10。若在 x = 1e-8 处直接实现偏差巨大，测试就会暴露问题，促使我们改用数值稳定的等价形式，比如利用 1 − cos x = 2 sin²(x/2) 重写为 2 sin²(x/2)/x²。

课程目标与学习路径

学完本课程，你应当具备三项能力：其一，能把一个给定的数学公式准确地翻译成符号表达式和数值代码，并说清每一步的假设与近似；其二，能识别转换链路中的典型风险点，主动采用数值稳定的写法；其三，能设计并运行校验用例，用容差、基准值和回归比对判断计算结果是否可信。

学习路径遵循"认知—转换—校验—综合"的递进：先建立对转换链路和风险的整体认知（本章），再分别深入符号推导、数值实现、测试设计三个环节，最后通过综合案例把三者串起来，完成从公式到可信代码的完整闭环。建议在学习过程中始终带着一个具体公式做练习，每学一个环节就把它应用到自己的例子上，避免只看不练。