SciPy 是一个基于 Python 的科学计算库，建立在 NumPy 的基础上，提供了大量高效、专业的数学算法和便利函数，用于解决科学和工程领域的常见问题。它通常与 NumPy、Matplotlib、Pandas 等库共同构成 Python 科学计算的核心生态系统。
1. 核心特点
面向专业领域：提供了许多工具箱式的模块，每个模块针对一个特定的数学或工程领域。
基于 NumPy：其底层数据结构和核心多维数组操作依赖于 NumPy。
开源与社区驱动：拥有活跃的社区和高质量的代码实现。
高性能：关键算法通常用 C、C++ 或 Fortran 优化。
2. 主要子模块与应用场景
3. 简单示例
a. 数值积分
from scipy import integrateimport numpy as npresult, error = integrate.quad(lambda x: np.sin(x), 0, np.pi)print(f"∫sin(x)dx from 0 to π = {result}") # 输出 2.0
b. 方程求根
from scipy import optimizeroot = optimize.root(lambda x: x**3 - 1, x0=0.5)print(f"Root of x^3 - 1 = {root.x}") # 输出接近 1
c. 曲线拟合
from scipy import optimizeimport numpy as npx = np.linspace(0, 10, 50)y = 2.5 * x + 1.0 + np.random.randn(50) # 带噪声的线性数据params, _ = optimize.curve_fit(lambda t, a, b: a * t + b, x, y)print(f"拟合参数: slope = {params[0]}, intercept = {params[1]}")
d. 统计分析
from scipy import statsdata = np.random.randn(1000) # 正态分布样本mean, std = stats.norm.fit(data)print(f"拟合的正态分布参数: mean = {mean}, std = {std}")
4. 安装与依赖
安装：通常通过 pip 或 conda 安装。
核心依赖：必须安装 NumPy，部分功能可能依赖其他库（如 Matplotlib 用于绘图）。
5. 与 NumPy 的关系
NumPy：侧重于基础数组操作（如创建、索引、运算）和基础数学函数（如 np.sin、np.mean）。
SciPy：侧重于高级数学算法（如优化、积分、信号处理）。二者功能互补，通常一起使用。
6. 学习资源
官方文档：结构清晰，包含大量示例（https://docs.scipy.org/doc/scipy/）。
社区支持：Stack Overflow、GitHub Issues 等平台有丰富的讨论。
书籍与教程：如《Python for Data Analysis》、《SciPy Lecture Notes》。
