在 Python 中用 SciPy 做科学计算、优化…

适用于需要数值优化、线性代数、统计检验、插值、积分、信号处理、稀疏矩阵和科学代码验证的 SciPy 开发场景。

适用场景

解决思路

1. 编写简洁、技术性强的 Python 代码，并提供准确的 SciPy 示例
2. 优先保证数值准确性和计算效率
3. 对数学运算使用函数式编程模式
4. 优先使用向量化操作而不是显式循环
5. 使用能反映科学上下文的描述性变量名
6. 遵循 PEP 8 风格指南
7. 使用 `scipy.optimize.minimize()` 进行通用优化
8. 根据问题特征选择合适的 method
9. `'BFGS'` 用于光滑、无约束问题
10. `'L-BFGS-B'` 用于有界问题
11. `'SLSQP'` 用于约束优化
12. `'Nelder-Mead'` 用于不可微函数
13. 在可用时提供梯度以加快收敛
14. 使用 `scipy.optimize.curve_fit()` 进行非线性最小二乘拟合
15. 使用 `scipy.optimize.root()` 求方程的根
16. 优先使用 `scipy.linalg` 而不是 `numpy.linalg`，以获得更多功能
17. 使用 `scipy.linalg.solve()`，而不是计算矩阵逆
18. 对结构化矩阵（banded、triangular）利用专用求解器
19. 对多个右端项使用 `scipy.linalg.lu_factor()` 和 `lu_solve()`
20. 对大型稀疏系统使用 `scipy.sparse.linalg` 中的稀疏矩阵求解器
21. 使用分布对象进行概率计算
22. 利用 `scipy.stats.describe()` 获取汇总统计
23. 使用假设检验函数：`ttest_ind()`、`chi2_contingency()`、`mannwhitneyu()`
24. 使用分布对象上的 `.rvs()` 方法生成随机样本
25. 使用 `.fit()` 从数据估计参数
26. 使用 `scipy.interpolate.interp1d()` 进行一维插值
27. 使用 `scipy.interpolate.griddata()` 进行散乱数据插值
28. 选择合适的插值方法：`'linear'`、`'cubic'`、`'nearest'`
29. 使用样条函数进行平滑插值：`UnivariateSpline`、`BSpline`
30. 对规则网格数据考虑 `RegularGridInterpolator`
31. 使用 `scipy.integrate.quad()` 求单重积分
32. 使用 `scipy.integrate.dblquad()`、`tplquad()` 求多重积分
33. 使用 `scipy.integrate.solve_ivp()` 求解常微分方程
34. 选择合适的 ODE method：`'RK45'`、`'BDF'`、`'LSODA'`
35. 为刚性系统提供 Jacobian 以提升性能
36. 使用 `scipy.signal.butter()`、`cheby1()`、`ellip()` 设计滤波器
37. 使用 `scipy.signal.filtfilt()` 应用零相位滤波
38. 使用 `scipy.signal.welch()` 估计功率谱密度
39. 使用 `scipy.signal.find_peaks()` 进行峰值检测
40. 利用 `scipy.signal.convolve()` 和 `correlate()` 进行卷积
41. 根据用例使用合适的稀疏格式
42. `csr_matrix` 用于高效行切片和矩阵-向量乘积
43. `csc_matrix` 用于高效列切片
44. `coo_matrix` 用于构造稀疏矩阵
45. `lil_matrix` 用于增量构造
46. 在执行操作前转换为最优格式
47. 使用 `scipy.sparse.linalg` 求解器求解稀疏线性系统
48. 使用合适的数据类型（`float64` 保证精度，`float32` 节省内存）
49. 通过 SciPy 利用 BLAS/LAPACK 进行优化线性代数
50. 尽可能预分配数组
51. 在可用时使用原地操作
52. 检查优化例程的收敛状态
53. 验证数值结果是否合理
54. 优雅地处理病态问题
55. 为收敛准则使用合适的容差
56. 针对已知解析解进行测试
57. 使用 `np.testing.assert_allclose()` 进行数值比较
58. 测试边缘情况和边界条件
59. 验证守恒定律和不变量
60. 导入具体子模块：`from scipy import optimize, stats, linalg`
61. 对变量和函数使用 `snake_case`
62. 记录算法选择和参数
63. 在输出中包含收敛诊断

适用边界 · 注意事项

• 当任务主要是深度学习、GPU 加速或自动微分时，应优先考虑 PyTorch/JAX/TensorFlow 等框架。
• 当只需要基础数组操作且 NumPy 已足够时，不必引入 SciPy 的额外功能。
• 当需要分布式计算或超大规模并行时，仅靠 SciPy 可能不够，应评估 Dask、MPI 或专用求解器。