SciPy 是 Python 科学计算基石，核心涵盖优化、数值积分与信号处理：优化需依场景选算法（如 fminbound、BFGS、SLSQP）；数值积分按维度与特性选 quad、nquad 或 solve_ivp；信号处理强调预处理、滤波设计及频谱分析方法。
SciPy 是 Python 科学计算的基石，尤其在优化、数值积分和信号处理三大方向上提供了稳定、高效且接口统一的 工具。掌握这些模块的核心用法，能显著提升建模、数据分析和工程仿真效率。
优化：从单变量到带约束的多变量问题
scipy.optimize 涵盖了从简单极小化到复杂非线性规划的完整能力。关键不在于记住所有算法，而在于理解适用场景：
- 无导数单变量优化（如 fminbound）适合函数表达式复杂或不可导的情况，例如实验数据拟合中的参数扫描
- 带梯度的多变量优化（如 minimize(method=’BFGS’)）收敛更快，但需提供目标函数及可选的 jac 参数；若无法解析求导，可用 approx_fprime 或 autograd 辅助
- 约束优化推荐使用 SLSQP 或 trust-constr，支持等式与不等式约束；注意约束函数需返回标量，且不等式应写成 g(x) ≥ 0 形式
数值积分：灵活应对不同精度与维度需求
scipy.integrate 提供分层接口：基础函数用于常规场景，高级类用于自适应控制或特殊积分类型：
- quad 适用于一维光滑函数；若被积函数含奇点或振荡剧烈（如 sin(x)/x 在 0 附近），可拆分区间或指定 points 参数辅助识别间断点
- dblquad 和 tplquad 支持二、三重积分，但嵌套调用开销大；高维积分更推荐使用 nquad（支持动态边界与向量化被积函数）
- solve_ivp 是常微分方程初值问题的现代首选，替代已弃用的 odeint；支持多种算法（RK45、Radau 等），并可设置事件（events）捕捉特定状态
信号处理：滤波、频谱与采样核心实践
scipy.signal 是数字信号处理的主力模块，重点在于设计合理、应用得当：
立即学习“Python 免费学习笔记（深入）”；
- 滤波前务必对信号做去趋势（detrend）和补零（zero-padding），避免边界效应；IIR 滤波器（如 butter + filtfilt）适合实时性要求低但相位敏感的场景
- 频谱分析优先用 welch（平均周期图法）而非直接 fft，它能抑制噪声、提供功率谱密度估计；注意 window 长度与重叠率对分辨率和方差的权衡
- 重采样（resample、decimate、resample_poly）需先抗混叠滤波；decimate 内置低通，适合整数倍降采样；resample_poly 更灵活，支持任意有理数倍变采样率
不复杂但容易忽略：多数函数默认返回元组，如 quad 返回 (integral, error)，optimize.minimize 返回 OptimizeResult 对象——记得取 .x 或 .fun 属性，别直接打印整个结果。
