高等数学 / 系统课时
用Python表示数学函数
用Python表示数学函数
数学函数可以直接写成 Python 函数,再让 NumPy 对一组输入同时计算。本课用同一个二次函数演示标量调用、向量化计算和结果对应关系,并说明形状、定义域与数据类型这些最常见的边界。
学习目标
- 能把数学表达式转换为可调用的 Python 函数
- 能使用 NumPy 数组批量计算函数值
- 能根据输入、输出和形状判断函数是否实现正确
从公式到 Python 函数
设函数为 。标量函数一次接收一个数,适合单点计算;向量化函数接收 NumPy 数组,由运算符逐元素完成计算。两种写法表达的是同一个数学规则,差别只在输入规模。
下面的脚本同时计算单个输入和一组输入,并逐项打印对应关系。
import numpy as np
def f_scalar(x: float) -> float:
return x**2 + 2 * x - 1
def f_vector(x: np.ndarray) -> np.ndarray:
# NumPy 的幂和乘法会逐元素执行,并保留输入形状
return x**2 + 2 * x - 1
def main() -> None:
point = 2.0
samples = np.array([-2, -1, 0, 1, 2], dtype=float)
values = f_vector(samples)
print(f"scalar f({point}) = {f_scalar(point)}")
print(f"vector input = {samples.tolist()}")
print(f"vector output = {values.tolist()}")
for x, y in zip(samples, values):
print(f"f({x:.1f}) = {y:.1f}")
if __name__ == "__main__":
main()预期输出
scalar f(2.0) = 7.0
vector input = [-2.0, -1.0, 0.0, 1.0, 2.0]
vector output = [-1.0, -2.0, -1.0, 2.0, 7.0]
f(-2.0) = -1.0
f(-1.0) = -2.0
f(0.0) = -1.0
f(1.0) = 2.0
f(2.0) = 7.0单点结果和数组中 的结果都等于 ,说明标量实现与向量化实现一致。逐项输出还能直接检查每个输入是否映射到正确的函数值。
向量化计算的关键
向量化不是把函数重复写多次,而是让数组运算一次处理所有元素。若输入 samples.shape 为 (5,),输出 values.shape 也应为 (5,)。输入换成矩阵时,函数仍会逐元素计算,并保留矩阵的行列结构。
这种写法比手动 for 循环更接近数学公式,也更适合后续的绘图、损失函数计算和批量数据处理。遇到复杂分支或需要逐步调试时,可先用显式循环写清逻辑。常见递推也可能有现成的数组操作,例如累计和可用 np.cumsum。
定义域与数据类型
并非所有数学公式都对任意输入有效。平方根要求实数输入不小于零,分母不能为零,对数通常要求输入大于零。NumPy 遇到非法实数输入时,可能返回 nan、inf 或运行时警告,而不是自动替你修正数据。
整数数组还可能在除法、截断或溢出场景中产生意外结果。涉及连续函数时,可显式使用 dtype=float;涉及定义域时,应在函数入口检查条件,或明确约定调用方只传入合法数据。
常见实现错误
最常见的问题是把 Python 列表直接用于幂运算,例如 [-1, 0, 1] ** 2 会报错,应先转换为 np.array。另一个问题是误用 math.sqrt、math.exp 等只接收标量的函数;处理数组时应改用 np.sqrt、np.exp。
逐元素计算时要留意归约操作。对二维数组 x = np.array([[1, 2], [3, 4]]),Python 内置 sum(x) 依次加总各行,得到 [4, 6]。np.sum(x) 默认把所有元素加起来,得到 10。原课的二次函数逐元素计算,输出应保持输入形状。验证时同时检查数值和形状。