math模块仅支持标量运算，处理NumPy数组需改用np.sqrt等向量化函数；浮点比较必须用math.isclose；整数运算优先用math.gcd/lcm；math.inf和math.nan是常量非字符串。
math 模块不支持 NumPy 数组，别直接传进去
工程里一上来就用 math.sqrt 处理数组，八成会报 TypeError: must be real number, not ndarray。这是因为 math 是纯标量函数，只认 Python 原生数字（int、float），不认 numpy.ndarray 或 list。
常见错误现象：把 Pandas Series 或 NumPy 向量直接塞给 math.log，结果崩在第一行。
- 用
numpy替代：改用np.sqrt、np.log等向量化函数 - 单值计算才用
math：比如配置解析、边界校验、初始化常量（math.pi、math.e） - 注意精度差异：
math.sqrt(2)和np.sqrt(2.0)结果一致，但后者能广播，前者不能
math.isclose 是浮点比较的唯一靠谱方式
写条件判断时用 == 比较两个浮点数，尤其涉及三角函数或除法后，大概率出错。比如 math.cos(math.pi / 2) == 0 返回 False，因为结果是极小非零值（约 6.12e-17）。
使用场景：数值收敛判断、单元测试断言、阈值触发逻辑。
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 永远用
math.isclose(a, b, abs_tol=1e-9)替代a == b -
rel_tol适合相对误差大的场景（如大数相减），abs_tol更稳妥，尤其当 a 或 b 接近 0 - 别用
round(x, n) == round(y, n)模拟比较——它掩盖误差，且受浮点舍入规则干扰
math.gcd 和 math.lcm 在整数调度和配置规约中很实用
工程中常要算最小公倍数（比如多周期任务对齐）、最大公约数（比如缩放比例归一化），过去自己写欧几里得算法，现在直接用标准库就行，而且是 C 实现，快且稳。
参数差异：两个及以上整数都支持（Python 3.9+），但必须全为 int；传入浮点数会报 TypeError。
- 任务周期对齐：多个定时器周期（单位毫秒）取
math.lcm(300, 450, 600)得到共同触发间隔 - 图像缩放比例规约：原始宽高比
1920/1080→ 先转整数再用math.gcd(1920, 1080)得到60，约分为32/18→ 再约一次 - 注意负数：
math.gcd(-12, 8)返回4（结果恒为非负），符号不参与计算
math.inf 和 math.nan 不是字符串，别用引号包着
配置文件或 JSON 解析后手动赋值时，有人写 timeout = "math.inf" 或 default = "nan"，结果后续做比较或运算直接失效——它们是内置常量，不是字面量字符串。
容易踩的坑：日志打印看起来像数字，但类型是 str；传给 requests 的 timeout 参数会静默转成 0。
- 正确写法：
timeout = math.inf，不是"math.inf" - 判断是否为 NaN 必须用
math.isnan(x)，不能用x == math.nan（NaN 不等于任何值，包括自己） - 序列化时注意：
json.dumps({"val": math.inf})会报错，需预处理（如转None或字符串"Infinity"）
真正难的不是记住函数名，而是每次做数值操作前，下意识问一句：这数据是标量还是批量？有没有精度陷阱？类型是不是我以为的那个？
