想象你搬进一套毛坯房，锅碗瓢盆全得自己买。NumPy 给你的是最基础的原料——一把菜刀和一个砧板，所有切片、墩肉都得你亲手来。可真正做起饭来，你发现厨房还差一个削皮器、一台搅拌机、一个烤箱。这时候，SciPy 出现了——它把厨房里所有的高频工具都收进一把瑞士军刀里：你要算曲线下的面积，它递上量杯；你要找损失函数的最小值，它递上登山杖；你要判断两组数据有没有显著差异，它递上放大镜。本篇文章就带你认识这把“瑞士军刀”的每一件工具，学会在科研与机器学习中熟练使用它们。

岗位关联

对 AI 从业者而言，科学计算不是选修课而是基本功。理解 SciPy 的数值计算工具，意味着你能独立完成数据建模、参数优化与统计推断，不再只会“调包”，而是真正懂得包里藏着什么。

目录
  1. 可视化演示
  2. 家族图谱：军刀与菜刀
  3. 积分运算：量杯量出曲线面积
  4. 优化求解：登山杖帮你找最低点
  5. 插值拟合：软尺连接散点
  6. 统计推断：放大镜看数据差异
  7. 信号处理：调音师后的噪声滤除
  8. 线性代数：搭积木的几何直觉
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态展示单链表的顺序遍历过程与节点插入操作，直观呈现指针链接关系与头指针驱动的链式访问机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

单链表遍历 从头节点开始沿next指针依次访问 时间复杂度O(n) p=p.next 指针后移遍历

家族图谱：军刀与菜刀

你家厨房里那把最趁手的菜刀，就是 NumPy——它能切丝、切片、剁蒜，万能但粗糙。可当你需要精确地量出 37 毫升水、把蛋清和蛋黄分离、或者把面团揉成完美球形时，你会意识到：菜刀不是万能的，你需要专门的小工具。SciPy 就是这样一套“小工具组合”。它没有重新发明菜刀，而是拿起 NumPy 这把菜刀，在其基础上组装出各种专用刀具。

从技术上看，SciPy 是一个建立于 NumPy 之上的开源科学计算库。NumPy 负责最重要的底层数据结构——多维数组 ndarray，而 SciPy 则在其上封装了大量经过验证的算法：优化、积分、插值、统计、信号处理、线性代数。更妙的是，SciPy 的底层大量调用了经过数十年打磨的 Fortran/C 语言算法库（如 LAPACK），这意味着你写的是 Python，但跑的却是编译级的高速代码。

text6 行
scipy.optimize    # 优化与求根scipy.integrate   # 积分与常微分方程scipy.interpolate # 插值与平滑scipy.stats       # 统计分布与检验scipy.signal      # 信号处理scipy.linalg      # 线性代数

积分运算：量杯量出曲线面积

烘焙课上，老师要求你算出蛋糕配方曲线下方的面积——因为那代表用料总量。手工算？把曲线切成无数小竖条，每根竖条算出面积再求和，这就是积分的朴素思想。SciPy 的小工具 scipy.integrate 就是一把带刻度的量杯，替你把这些竖条数得又快又准。

quad 函数是自适应积分器：它先从粗粒度开始切分，发现某处曲线变化剧烈就自动加细细分——就像你倒水时发现快满了，会自动放慢速度看刻度。对于只有离散采样点的数据，integrate.simpson 用抛物线代替直线去贴合每个小区间，比简单的梯形法精确得多。除此之外，solve_ivp 还能求解常微分方程，用于模拟物理运动、药物代谢等动态过程。

回到厨房场景：quad 像是一个会自动调节精度的量杯，大多数情况下你只需告诉它“配方函数”和“范围”，它便安静地把答案递给你。

∫abf(x) dx≈∑i=1nf(xi−1)+f(xi)2⋅Δx\displaystyle \int_{a}^{b} f(x)\,dx \approx \sum_{i=1}^{n} \frac{f(x_{i-1}) + f(x_i)}{2} \cdot \Delta x
梯形法公式：把曲线下的区域看成 n 个窄梯形，逐个求面积再累加，近似得到积分值。
  1. 积分符号与边界\int_a^b 表示从下限 a 到上限 b 做累加，竖条越细结果越准。
    ∫ab\displaystyle \int_{a}^{b}
  2. 被积函数f(x) 是被测量的曲线高度，相当于竖条的高度。
    f(x)\displaystyle f(x)
  3. 求和近似把每个小梯形的高 (f(x_{i-1})+f(x_i))/2 乘上底边 \Delta x，再对 i=1 到 n 求和。
    f(xi−1)+f(xi)2⋅Δx\displaystyle \frac{f(x_{i-1}) + f(x_i)}{2} \cdot \Delta x
python2 行
from scipy.integrate import quadarea, error = quad(lambda x: x ** 2, 0, 1)

优化求解：登山杖帮你找最低点

想象你在浓雾弥漫的山谷里徒步，想要走到山谷最低处的湖泊。你看不见全貌，只能感受脚下的坡度：如果脚往左倾得更厉害，就往左走两步；如果往右倾，就往右挪。这就是优化算法最朴素的直觉。在机器学习中，我们要最小化“损失函数”——一个衡量模型预测与真实结果差距的山谷地形。scipy.optimize.minimize 就是你手中的登山杖。

minimize 统一了多种优化算法：无约束问题的 BFGS（拟牛顿法）就像有经验的向导，利用梯度信息快速判断方向；Nelder-Mead（单纯形法）不依赖梯度，适合地形崎岖、无法求导的场景。如果问题带约束条件（比如“参数必须为正数”），可以用 SLSQP 或 trust-constr，它们像带围栏的步道，确保你不出界。

但登山杖有个局限：它只能帮你找到脚下的“局部最低点”。如果山谷地形复杂、有多个小坑，默认算法可能停在某个坑里而非真正的湖心。这时候需要更高级的全局优化策略，或者多换几个起点尝试。机器学习中调超参数，本质上就是不断换起点，寻找更低的损失谷底。

xk+1=xk−αk⋅∇f(xk)\displaystyle x_{k+1} = x_k - \alpha_k \cdot \nabla f(x_k)
梯度下降迭代式：每一步沿负梯度方向前进一步，步长由 \alpha_k 控制。
  1. 当前点x_k 是你此刻站的位置，即一组待优化参数。
    xk\displaystyle x_k
  2. 负梯度-\nabla f(x_k) 指向局部下降最快的方向，相当于下坡最陡处。
    −∇f(xk)\displaystyle -\nabla f(x_k)
  3. 步长\alpha_k 是这一步迈多大，太大可能跨过谷底，太小则走得缓慢。
    αk\displaystyle \alpha_k
  4. 更新从当前点沿最陡下坡方向前进，得到新位置 x_{k+1}，反复迭代直到收敛。
    xk+1=xk−αk⋅∇f(xk)\displaystyle x_{k+1} = x_k - \alpha_k \cdot \nabla f(x_k)
python2 行
from scipy.optimize import minimizeresult = minimize(lambda x: (x[0] - 3) ** 2 + (x[1] + 1) ** 2, x0=[0, 0])

插值拟合：软尺连接散点

量腰围时，如果软尺中间破了个洞，你会怎么办？你会根据两端曲线自然延伸，估计中间断掉的数值。数据世界里同样如此：传感器每小时记录一次温度，可你想知道第 47 分钟的温度，scipy.interpolate 就是把破洞软尺接起来的“接尺师”。

interp1d 是最常用的插值器，默认用线性插值把相邻点用直线相连；想要曲线更圆滑，可以选择 cubic 三次样条，它像用柔性柳条穿过每个点，保证整条曲线一阶、二阶导数都连续。UnivariateSpline 则更进一步，允许你设置平滑系数——当数据本身带噪声时，强行穿过每个点反而会画出一条疯狂抖动的线。

这里必须敲响警钟：并非所有插值都越光滑越好。用高次多项式强行穿过所有点，会在端点附近产生剧烈振荡，这就是著名的龙格现象——就像你把软尺用力拉直穿过所有图钉，中间确实过了每个点，但两端却严重翘起。

在真实建模中，我们通常更倾向“平滑的软尺”而非“生硬的硬尺”——用低阶样条或带惩罚的平滑曲线，换取更合理的形状。插值是构造数据集、补齐缺失值、生成连续曲线的基础手段。

pn(x)=∑i=0nyi⋅ℓi(x),ℓi(x)=∏j≠ix−xjxi−xj\displaystyle p_n(x) = \sum_{i=0}^{n} y_i \cdot \ell_i(x), \quad\ell_i(x) = \prod_{j \neq i}\frac{x - x_j}{x_i - x_j}
拉格朗日插值：用 n+1 个点构造一个 n 次多项式，让它精确穿过所有已知点，但阶数过高时会产生龙格振荡。
  1. 基函数\ell_i(x) 在 x_i 处取值为 1，在其他数据点处取值为 0，像一个个独立的“挂钩”。
    ℓi(x)=∏j≠ix−xjxi−xj\displaystyle \ell_i(x) = \prod_{j \neq i}\frac{x - x_j}{x_i - x_j}
  2. 加权组合每个数据点的高度 y_i 乘上对应的挂钩基函数，再求和得到最终多项式。
    ∑i=0nyi⋅ℓi(x)\displaystyle \sum_{i=0}^{n} y_i \cdot \ell_i(x)
  3. 连接结果当 n 较小（数据点少）时，多项式温和地穿过各点；当 n 过大时，挂钩在端点附近剧烈上下摆动，产生失真。
python3 行
from scipy.interpolate import interp1df_interp = interp1d(x, y, kind='cubic')y_new = f_interp(x_new)

统计推断：放大镜看数据差异

你开了家奶茶店，新配方和旧配方各卖给 30 个顾客，两组的平均好评分差了 0.3。这 0.3 的差距，是真实存在的口味提升，还是随机波动恰好造成的假象？scipy.stats 就是你的统计放大镜，帮你分辨“真差异”和“假巧合”。

模块里最常用的是 ttest_ind——独立样本 t 检验。它把两组数据的均值差除以“波动尺度”，得到一个 t 统计量，再换算成 p 值：p 值小于 0.05，说明出现这种差异的概率极低，我们更有信心认为差异是真实的。scipy.stats 同时提供了 80 多种概率分布（正态、泊松、指数……），你可以计算分位数、置信区间、概率密度，甚至生成随机样本。

回到奶茶店场景：如果 p 值为 0.03，你便有充分底气把新配方写入菜单；如果 p 值为 0.6，说明 0.3 分可能只是 30 个人随机口味造成的巧合。注意，p 值小不代表实际效果大——大样本量会把极小的差异也判为“显著”，还需结合效应量一起看。机器学习中的 A/B 实验、特征显著性检验，全都依赖这套统计推断工具。

t=xˉ1−xˉ2s12n1+s22n2\displaystyle t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}
两独立样本 t 统计量：分子是两组均值之差，分母衡量这个差值的“波动尺度”；t 值越大，p 值越小，差异越显著。
  1. 均值差\bar{x}_1 - \bar{x}_2 是两组样本均值的绝对差，对应 0.3 分的差距。
    xˉ1−xˉ2\displaystyle \bar{x}_1 - \bar{x}_2
  2. 联合标准误分母把两组方差分别除以样本量再加总开根号，衡量均值差本身的波动幅度。
    s12n1+s22n2\displaystyle \sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}
  3. 比较检验t 值越大，说明均值差相对于随机波动越突出，p 值相应越小，原假设（两组无差异）越不可信。
python2 行
from scipy import statst_stat, p_value = stats.ttest_ind(group_a, group_b)

信号处理：调音师后的噪声滤除

舞台现场录制的人声总是夹杂着电流嘶嘶声和空调嗡嗡声，调音师傅要做的是：保留歌手声线的细节，滤掉那些不属于音乐的高频噪声。数据世界里，传感器采集的信号同样带着噪声，scipy.signal 就是你手边的调音台。

最简单的工具是平滑滤波，例如 savgol_filter，它用一个滑动窗口在信号上做局部多项式拟合——就像调音师一边推推子，一边观察邻段波形决定音量。更强大的武器是傅里叶变换（fft），它把一段信号从“时间域”变到“频率域”：原本纠缠在一起的复杂波形，变换后变成一根根独立的频率谱线，你一眼就能看出哪些频率属于“无用噪声”，然后用带通滤波器切掉它们，再逆变换回去。这个过程相当于把一段嘈杂混音拆成各个音轨，静音噪声音轨后重新合成。

傅里叶变换是信号处理的基石：机器学习里处理音频特征、时序预测中的趋势分离、传感器异常检测，背后都是先完成频谱拆解，再决定保留哪些成分。从“波形振荡”到“频率构成”，这把调音刀能帮你切开信号世界的第一层外衣。

X[k]=∑n=0N−1x[n]⋅e−j2πkn/N\displaystyle X[k] = \sum_{n=0}^{N-1} x[n] \cdot e^{-j 2\pi k n / N}
离散傅里叶变换：把长度为 N 的时间序列 x[n] 分解为 N 个不同频率的正弦波组合，每个频率的振幅由 X[k] 给出。
  1. 时域采样x[n] 是原始信号按时间顺序的采样值，比如每毫秒记录一次振动幅度。
    x[n]\displaystyle x[n]
  2. 复指数核e^{-j 2\pi k n / N} 是频率为 k 的旋转因子，用于检测信号中该频率成分的强弱。
    e−j2πkn/N\displaystyle e^{-j 2\pi k n / N}
  3. 叠加求和把每个采样点乘上对应频率的旋转因子后相加，得到该频率的幅值 X[k]；对每个 k 重复一遍，就形成完整频谱。
    X[k]=∑n=0N−1x[n]⋅e−j2πkn/N\displaystyle X[k] = \sum_{n=0}^{N-1} x[n] \cdot e^{-j 2\pi k n / N}
python2 行
from scipy.signal import savgol_filter, butter, filtfiltclean = savgol_filter(noisy_signal, window_length=11, polyorder=3)

线性代数：搭积木的几何直觉

搭积木时，每个积木都有明确的边长和棱角——矩阵就是这样一张积木图纸：每一行是一条规则，每一列是一个维度。解线性方程组相当于回答“怎么搭积木才能同时满足所有规则”；求特征值则相当于找出“哪些方向是积木的稳固主轴”。scipy.linalg 把大学线性代数的全部工具搬进了瑞士军刀。

scipy.linalg.solve 直接求解形如 A x = b 的线性方程组，它比 NumPy 的同名函数在数值稳定性上更讲究。eig 计算特征值分解：把一个方阵拆成方向与伸缩倍数，用于主成分分析、马尔可夫链收敛性分析。svd 奇异值分解则更通用，任何矩阵都能分解为旋转、缩放、再旋转的组合——隐含语义分析、图像压缩、推荐系统里的矩阵分解，全都建立在 SVD 之上。

许多看似与线性代数无关的机器学习问题，最终都归结为矩阵分解：开锁时你只需要匹配主钥匙的几根轴线，而不是复刻所有钥匙细节。SVD 就是把复杂系统化简到只留主要方向的那把万能钥匙。

A=UΣVT\displaystyle A = U \Sigma V^T
奇异值分解：任意 m×n 矩阵 A 都能分解为左奇异向量 U、对角矩阵 \Sigma 和右奇异向量 V^T 的乘积，其中 \Sigma 对角线上的奇异值表示各方向的重要性。
  1. 左奇异向量U 的列向量构成输出空间的一组正交基，相当于找出“积木旋转后的新坐标轴”。
    U\displaystyle U
  2. 奇异值\Sigma 是对角矩阵，对角线元素按大小排列，标注每个方向的“伸缩强度”。
    Σ\displaystyle \Sigma
  3. 右奇异向量V^T 的列向量构成输入空间的正交基，描述原始坐标下最重要的方向。
    VT\displaystyle V^T
  4. 低秩近似保留最大的 k 个奇异值，丢弃其余项，即可得到近似矩阵——这就是图像压缩和降维的本质。
    A≈UkΣkVkT\displaystyle A \approx U_k \Sigma_k V_k^T
python2 行
from scipy.linalg import svd, solve, eigU, s, Vt = svd(matrix)

AI 应用场景

机器学习模型评估中的统计检验

阶段：模型评估与上线决策

解决的问题：训练新模型后，离线指标提升 0.5%，但无法判断是真实提升还是随机波动。传统做法靠肉眼观察指标曲线，误差大且缺乏置信度。使用 scipy.stats.ttest_rel 对多次交叉验证的结果做配对检验，输出 p 值，将“提升是否可信”变成可量化的决策依据。

具体案例：某推荐算法团队通过 5 折交叉验证对比新旧模型的 AUC，用 scipy.stats 计算配对 t 检验，发现 p=0.08，未达到显著性阈值，因此驳回新模型上线申请，避免了一次无效发布。

超参数调优中的优化求解

阶段：模型训练与调参

解决的问题：手动网格搜索超参数通常要尝试几十种组合，效率极低且无法处理连续参数。将模型验证集损失封装为以超参数为输入的函数，用 scipy.optimize.minimize 自动寻找使损失最小的超参数组合，配合多起点避免局部最优。

具体案例：数据科学家对 XGBoost 的 learning_rate 和 max_depth 做连续优化，仅用网格搜索 1/5 的时间找到了更优组合，验证集 F1 提升 2.3%。

传感器时间序列信号去噪

阶段：数据预处理与特征工程

解决的问题：工业传感器采集的振动信号叠加了设备本底噪声，直接训练模型时特征被噪声污染。使用 scipy.signal.savgol_filter 和带通滤波器先清洗信号、再提取时频域特征，能显著提升下游故障分类的准确率。

具体案例：某工厂预测性维护项目，原始振动数据信噪比过低导致故障分类准确率仅 78%；经 scipy.signal 滤波和频谱特征提取后提升到 92%，误报率大幅下降。

Python 演示

python36 行
import numpy as npfrom scipy.optimize import minimizefrom scipy.integrate import quadfrom scipy import stats  def exp_model(params, x):    a, b, c = params    return a * np.exp(-b * x) + c  def loss(params, x, y):    pred = exp_model(params, x)    return np.mean((pred - y) ** 2)  rng = np.random.RandomState(42)x_data = np.linspace(0, 5, 40)y_data = 2.5 * np.exp(-1.2 * x_data) + 0.3 + 0.15 * rng.randn(40) res = minimize(loss, x0=[1.0, 1.0, 1.0], args=(x_data, y_data), method="BFGS")a, b, c = res.xprint("拟合参数:", np.round([a, b, c], 3)) area, err = quad(lambda t: a * np.exp(-b * t) + c, 0, 5)print("曲线下面积:", round(area, 4)) pred = exp_model([a, b, c], x_data)resid = y_data - predprint("残差均值:", round(resid.mean(), 5)) t_stat, p_value = stats.ttest_1samp(resid, 0)print("残差零均值检验 p 值:", round(p_value, 4)) r2 = 1 - np.var(resid) / np.var(y_data)print("R 方:", round(r2, 4))
目的：模拟科学实验中常见的“指数衰减 + 噪声”数据，完整走一遍数据分析流水线：优化拟合参数、计算积分面积、检验残差是否符合零均值假设、输出拟合优度。
  1. res = minimize(loss, x0=[1.0, 1.0, 1.0], args=(x_data, y_data), method="BFGS")调用优化器找到使均方误差最小的三个参数，x0 是起步猜测，args 传递附加数据。
  2. area, err = quad(lambda t: ..., 0, 5)用自适应积分计算拟合曲线在 [0, 5] 区间的面积，模拟药代动力学中的“总暴露量”。
  3. t_stat, p_value = stats.ttest_1samp(resid, 0)检验残差是否围绕 0 分布，判断模型是否遗漏了系统性偏差。
  4. r2 = 1 - np.var(resid) / np.var(y_data)计算决定系数 R²，表示模型解释的方差比例。

常见误区

误区我只要安装 SciPy 就够了，NumPy 可以不用学，反正 SciPy 里也有数组和线性代数。

正解SciPy 建立在 NumPy 之上，它的输入输出几乎全是 ndarray，所有数组操作（切片、索引、广播）仍由 NumPy 提供。你可以把 SciPy 理解为“专精小工具”，把 NumPy 理解为“基础食材和砧板”——没有砧板，再好的军刀也没地方施展。

为何常见：很多入门教程直接以 SciPy 开头，读者误以为它是一个“合集包”，实际上它对外显式依赖 NumPy，两者是共存关系而非替代关系。

误区代码跑出来结果了，这个最小值就是全局最小，可以直接放心用。

正解minimize 默认是局部优化算法，只有函数是凸函数时局部最优才等价于全局最优。对于复杂的非凸函数（如神经网络损失面），不同起点会收敛到不同谷底。正确做法是设置多个初始点、结合 basinhopping 或 differential_evolution 等全局优化方法验证。

为何常见：课本上举的例子大多是简单的二次函数，只有一个谷底，导致初学者忽略了局部陷阱。

误区数据点有 20 个，就用 19 次多项式插值，能穿过每一个点一定最精确。

正解高次插值在端点附近会产生剧烈震荡（龙格现象），得到的曲线虽然穿过所有已知点，但形状完全失真。实际中应优先选择三次样条或带平滑系数的样条，宁可稍微偏离数据点也要保证曲线形态合理。

为何常见：人直觉认为“穿过所有训练点 = 拟合最好”，与机器学习中“过拟合”的认知误区同源。

误区A/B 实验 p=0.001，新功能一定比旧功能好非常多，可以放心全量上线。

正解p 值只反映“随机波动产生这种差异的概率”，与效果大小无关。样本量很大时，哪怕是 0.01% 的微小提升也会得到很小的 p 值。需要额外报告效应量（如 Cohen's d）或置信区间，来量化实际业务意义。

为何常见：显著性检验被当作“魔法数字”使用，忽略了它只是一个概率指标而非效果度量。

面试题

Q1. 关于 SciPy 与 NumPy 的关系，下列说法正确的是？

单选题 · easy

  • A.SciPy 可以完全替代 NumPy
  • B.SciPy 建立在 NumPy 之上，依赖其 ndarray 数据结构← 正确答案
  • C.NumPy 建立在 SciPy 之上
  • D.两者没有任何关系

答案：B。SciPy 是在 NumPy 的基础上构建的，它利用 NumPy 的 ndarray 作为基本数据结构，并封装了更高层的科学计算算法。选项 B 准确描述了两者关系，A、C、D 均不符合实际。

Q2. 在 scipy.optimize 中，用于通用函数最小化的核心函数是？

单选题 · easy

  • A.scipy.optimize.root
  • B.scipy.optimize.curve_fit
  • C.scipy.optimize.minimize← 正确答案
  • D.scipy.optimize.linprog

答案：C。minimize 是 SciPy 提供的通用最小化函数，支持多种算法（BFGS、Nelder-Mead、SLSQP 等），可用于无约束和约束优化问题。root 用于求根，curve_fit 用于曲线拟合，linprog 专门求解线性规划。

Q3. scipy.integrate.quad 函数的主要特点是？

单选题 · mid

  • A.只支持离散数据点
  • B.使用自适应算法在积分区间内自动细分← 正确答案
  • C.只能计算定积分，不能处理无穷区间
  • D.必须手动指定积分步长

答案：B。quad 基于 QUADPACK 库，采用自适应积分策略：在曲线变化剧烈的地方自动加密采样点，在平缓处减少采样点，从而在保证精度的同时节省计算量。它支持无穷区间，不需要手动指定步长。

Q4. 用 interp1d 做插值时，kind='cubic' 表示？

单选题 · mid

  • A.线性插值
  • B.最近邻插值
  • C.三次样条插值← 正确答案
  • D.多项式拟合

答案：C。kind='cubic' 使用三次样条插值，它保证插值曲线在数据点处一阶导数和二阶导数连续，比线性插值更平滑。线性插值对应 kind='linear'，最近邻对应 kind='nearest'。

Q5. 两组独立样本做 t 检验，p 值等于 0.03 的含义是？

单选题 · mid

  • A.有 3% 的概率两组没有差异
  • B.若两组实际无差异，观察到当前或更极端差异的概率为 3%← 正确答案
  • C.新方案比旧方案好 3%
  • D.实验有 97% 的可能性是错误的

答案：B。p 值是指在原假设（两组无差异）为真的前提下，观察到当前样本差异或更极端差异的概率。p=0.03 意味着假设无差异时，出现这么大差距仅 3% 概率，因此倾向拒绝原假设。它不解释差异大小，也不等于“H0 为真的概率”。

Q6. 关于 scipy.optimize.minimize 的说法，正确的有哪些？

多选题 · hard

  • A.BFGS 方法不需要计算导数
  • B.Nelder-Mead 是无需梯度的无约束优化算法← 正确答案
  • C.SLSQP 可以处理带约束的优化问题← 正确答案
  • D.默认情况下一定能找到全局最优解

答案：BC。BFGS 是拟牛顿法，需要利用梯度信息（数值或解析），故 A 错误。Nelder-Mead 是单纯形法，仅比较函数值即可，不需要导数，B 正确。SLSQP 支持等式和不等式约束，C 正确。默认算法是局部优化，非凸函数下无法保证全局最优，D 错误。

Q7. scipy.linalg.svd(A) 返回的三个对象分别是？

单选题 · mid

  • A.特征值、特征向量、排序索引
  • B.左奇异向量 U、奇异值 s、右奇异向量 Vt← 正确答案
  • C.矩阵的秩、行列式、迹
  • D.特征值分解的四个因子

答案：B。svd 执行奇异值分解 A = U @ diag(s) @ Vt，返回的正是左奇异向量矩阵 U、奇异值数组 s 和右奇异向量转置 Vt。奇异值是降序排列的，可用于低秩近似，这与特征值分解不同。

Q8. 关于傅里叶变换在信号处理中的作用，下列说法正确的有？

多选题 · mid

  • A.把时域信号转换为频域表示← 正确答案
  • B.可以用于识别信号中的主要频率成分← 正确答案
  • C.变换后一定无法恢复原始信号
  • D.配合滤波器可以提取或去除特定频率成分← 正确答案

答案：ABD。傅里叶变换的核心作用是把时间域信号分解为不同频率的正弦波叠加，故能识别主要频率成分，A、B 正确。只要保留完整的变换结果，逆变换可以无损恢复原始信号，C 错误。频域处理（如带通滤波）后做逆变换可以实现目标频率的提取或去除，D 正确。

Q9. 用高次多项式插值穿过所有数据点时，可能出现什么现象？

单选题 · hard

  • A.龙格振荡：端点附近剧烈摆动← 正确答案
  • B.插值曲线变成直线
  • C.所有数据点不再被穿过
  • D.计算速度显著提升

答案：A。高次多项式插值在等距节点下会在区间端点附近产生剧烈振荡，称为龙格现象（Runge's phenomenon）。虽然曲线确实穿过了所有数据点，但形状严重失真，因此实际中推荐使用三次样条等低阶分段插值。

Q10. 奇异值分解 SVD 在机器学习中常用于？

多选题 · extreme

  • A.图像压缩（低秩近似）← 正确答案
  • B.推荐系统的矩阵分解← 正确答案
  • C.主成分分析 PCA← 正确答案
  • D.决策树剪枝

答案：ABC。SVD 通过保留最大奇异值实现低秩近似，用于图像压缩，A 正确；推荐系统中的协同过滤常把用户-物品矩阵做 SVD 分解得到隐因子，B 正确；PCA 可以基于 SVD 实现，通过对数据矩阵做 SVD 得到主成分方向，C 正确。决策树剪枝基于树的复杂度度量，与矩阵分解无关，D 错误。