SciPy的linalg和optimize模块比NumPy更专业稳健，linalg默认用BLAS/LAPACK支持结构检测与专用分解，sparse.linalg适配大型稀疏系统；optimize提供统一接口，root_scalar/minimize/curve_fit等需依问题选法并注意初值、约束、尺度与调试。
SciPy 的线性代数（scipy.linalg）和优化（scipy.optimize）模块是科学计算的核心工具，比 NumPy 更专业、更稳健，尤其适合工程建模、数据拟合与数值求解。
高效求解线性方程组与矩阵分解
相比 numpy.linalg，scipy.linalg 默认使用更稳定的底层 BLAS/LAPACK 实现，支持更多专用算法和矩阵类型（如对称、带状、稀疏近似）。
- 用
scipy.linalg.solve替代np.linalg.solve：自动检测矩阵结构（如对称正定），选择最优算法；可传入assume_a='pos'加速 Cholesky 分解求解 - 常用分解直接调用：
lu()（LU）、cholesky()（Cholesky）、eig()或eigh()（对称矩阵特征值更快更准） - 处理大型稀疏系统？优先用
scipy.sparse.linalg中的spsolve或迭代法（如cg、gmres），避免显式构造稠密矩阵
非线性方程求根与最小化实战要点
scipy.optimize 提供统一接口处理标量/向量方程求根、无约束/约束最优化，关键在选对方法并合理设置参数。
- 单变量求根用
root_scalar：支持brentq（推荐，默认有界且健壮）、newton（需导数）、secant（无需导数但不保证收敛） - 多变量最小化首选
minimize：默认method='BFGS'适合光滑函数；若目标函数昂贵或含噪声，改用'Nelder-Mead'或'differential_evolution' - 带约束优化注意格式：等式约束用
constraints={'type': 'eq', 'fun': ...}，边界用bounds=...（支持(low, high)元组列表）；对复杂约束，可组合多个字典传入
曲线拟合与最小二乘的实用技巧
别只用 scipy.optimize.curve_fit 套公式——它本质是带雅可比解析的非线性最小二乘，但要注意初值、尺度和误差假设。
立即学习“Python免费学习笔记（深入）”；
- 初值敏感？先用线性化或网格搜索粗估参数，再喂给
curve_fit；也可用method='trf'（trust-region）增强鲁棒性 - 自变量/因变量量纲差异大？用
sigma参数传入标准差权重，或先对参数做对数变换（如拟合指数模型时拟合 log(y)） - 需要正则化？绕过
curve_fit，直接调用scipy.optimize.least_squares，支持loss='huber'或自定义代价函数 + L2 惩罚项
实际调试与性能提醒
很多“不收敛”或“结果不准”问题源于接口误用或数值习惯不佳，而非算法本身。
- 检查目标函数是否返回标量（最小化）或数组（最小二乘）；梯度函数必须与变量维度匹配，否则静默出错
- 用
options={'disp': True}开启中间输出，观察迭代步长、梯度范数变化；配合callback函数可记录每步状态 - 避免在目标函数中做 heavy I/O 或全局状态修改；必要时用
functools.partial封装固定参数，保持函数纯净
不复杂但容易忽略。把矩阵性质、问题结构和算法特性对应起来，SciPy 就不只是函数库，而是可信赖的数值伙伴。
