Python 科学计算

Python 科学计算简介

对大多数物理学习者来说，Python 是最值得优先掌握的计算工具。它的优势不是在某一个点上「绝对最强」，而是在数值计算、数据处理、绘图、符号计算、自动化和可复现性之间取得了很好的平衡。

如果你只打算系统学一门通用计算工具，Python 往往是最合适的起点。

你能用 Python 做什么

在物理学习中，Python 最常见的用途包括：

解常微分方程，做数值实验。
处理实验数据，做拟合、误差分析和批量计算。
生成函数图、相图、热图、误差棒图等科学图像。
做基础符号运算，例如求导、积分、级数展开和矩阵运算。
把重复性很强的计算写成脚本，减少手工抄写和重复操作。

为什么 Python 特别适合物理学习

语法相对容易上手，学习门槛低于很多传统工程语言。
科学计算生态成熟，NumPy、SciPy、Matplotlib、SymPy、Jupyter 等工具之间衔接自然。
既适合做快速验证，也适合做较严肃的小型项目。
与绘图工具和 LaTeX 物理写作很容易拼成一条完整工作流。
免费、跨平台、文档丰富、社区大。

一套足够稳的最小环境

如果你想尽快开始，可以先装官方 Python，然后在一个新目录里执行下面的步骤。

python -m venv .venv

Windows 下激活环境：

.\.venv\Scripts\Activate.ps1

安装常用科学计算库：

python -m pip install numpy scipy matplotlib sympy pandas jupyterlab uncertainties pint

如果你想打开 JupyterLab：

1	`jupyter lab`

这已经足够覆盖大部分本科物理学习场景。

初学者最值得先认识的库

库	主要用途	在物理学习中的典型任务
NumPy	数组和基础数值计算。	向量化运算、矩阵、采样、数据存储。
SciPy	科学计算算法。	ODE、积分、优化、拟合、信号处理。
Matplotlib	绘图。	函数图、数据图、误差棒图、热图。
SymPy	符号计算。	求导、积分、代数化简、矩阵和解析表达式。
pandas	表格数据处理。	CSV 数据清洗、实验记录表处理。
JupyterLab	交互式笔记本。	教学展示、探索性实验、逐步推导。
uncertainties	不确定度传播。	实验误差传播、结果表示。
Pint	单位管理。	防止单位混用，增强脚本可靠性。

一个最小完整示例：阻尼振子数值解

下面这个例子展示的是：给出模型，数值求解，再画出位移随时间的变化。这几乎就是很多物理学习场景的标准套路。

import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import solve_ivp

gamma = 0.15
omega0 = 2.0


def damped_oscillator(t, state):
    x, v = state
    dx_dt = v
    dv_dt = -2 * gamma * v - omega0**2 * x
    return [dx_dt, dv_dt]


t_eval = np.linspace(0.0, 20.0, 800)
solution = solve_ivp(
    damped_oscillator,
    t_span=(0.0, 20.0),
    y0=[1.0, 0.0],
    t_eval=t_eval,
)

plt.figure(figsize=(8, 4.5))
plt.plot(solution.t, solution.y[0], label="x(t)")
plt.xlabel("t / s")
plt.ylabel("x / m")
plt.title("Damped Harmonic Oscillator")
plt.grid(True, alpha=0.3)
plt.legend()
plt.tight_layout()
plt.show()

这个例子背后的物理步骤其实很清楚：

先把二阶微分方程改写成一阶方程组。
再设定初始条件和积分区间。
最后用图像检查响应是否符合阻尼振子的直觉。

如果图像看起来完全不对，先不要怀疑库本身，而要先检查：方程符号、初值、单位、时间范围和参数量级是否合理。

常见任务模板

用 SciPy 做拟合

实验数据处理中最常见的问题之一是：有一组测量点，想拟合出参数。一个典型例子是指数衰减拟合。

import numpy as np
from scipy.optimize import curve_fit


def model(t, a, tau):
    return a * np.exp(-t / tau)


t_data = np.array([0.0, 1.0, 2.0, 3.0, 4.0])
y_data = np.array([5.1, 3.3, 2.4, 1.6, 1.1])

params, covariance = curve_fit(model, t_data, y_data, p0=[5.0, 2.0])
a_fit, tau_fit = params

在实际实验里，你通常还应该进一步做下面几件事：

画出原始数据点和拟合曲线。
查看参数不确定度。
判断模型假设是否真的合理，而不是机械追求拟合优度。

用 SymPy 做符号计算

import sympy as sp

t, omega, phi = sp.symbols("t omega phi", real=True)
x = sp.cos(omega * t + phi)

velocity = sp.diff(x, t)
acceleration = sp.diff(x, t, 2)
sp.simplify(acceleration + omega**2 * x)

这类工具很适合检查推导、做代数化简或生成课堂讲义中的中间表达式，但它不能代替你理解模型本身。

用 uncertainties 做误差传播

from uncertainties import ufloat

length = ufloat(1.000, 0.005)
time = ufloat(2.010, 0.020)
g = 4 * 3.1415926**2 * length / time**2

print(g)

当你已经知道误差传播的物理意义时，这个库会非常方便；但如果你还没有学过误差分析，建议同时阅读误差分析与数据处理。

如果你需要处理单位

数值脚本里最危险的一类错误之一就是单位混乱。Pint 可以帮助你在程序中显式保存单位信息。例如：

from pint import UnitRegistry

ureg = UnitRegistry()
g = 9.81 * ureg.meter / ureg.second**2
length = 0.5 * ureg.meter
period = 2 * 3.1415926 * (length / g) ** 0.5
print(period.to(ureg.second))

Jupyter、脚本和 IDE 怎么选

形式	适合做什么	局限是什么
Jupyter Notebook / Lab	探索、教学、逐步展示。	项目一大就容易凌乱。
普通 Python 脚本	稳定、可复用、易版本控制。	交互性不如笔记本强。
VS Code / PyCharm 等 IDE	长期项目、调试和重构。	初学时界面可能略重。

一个很实用的做法是：先在 Jupyter 里试模型，确认思路后，把成熟代码整理成 .py 文件，再把结果放入 LaTeX 笔记或实验报告中。

物理计算中的好习惯

每次写脚本前先写清楚模型、变量和单位。
先做数量级、极限和特殊情形检查，再相信程序输出。
图像一定标坐标轴名称和单位。
参数和输入数据尽量集中放在文件开头，便于修改和复现。
结果不仅要保存图片，也要保存关键参数和原始数据。
不要把 notebook 当成无限堆积的草稿箱。

初学者最常见的错误

把 Python 当计算器用，却不保留脚本和环境信息。
混淆角度制和弧度制。
拟合时不提供初值，也不检查模型是否符合物理背景。
只盯着代码报错，不检查物理量是否定义正确。
把数组运算和标量运算混在一起，导致结果悄悄出错。
没有保存图像、数据和参数，几天后无法复现结果。

如果你暂时不想写代码

有些场景下，你只是想先把实验不确定度算出来，而不想马上搭建完整 Python 工作流。这时可以先使用现成工具，但仍然建议理解它背后的公式。

不确定度计算器

开源仓库：GitHub。

下载地址：GitHub Releases。

下载地址（加速）：GH Proxy - v0.2.0。

这是一个专门为物理实验设计的工具，能够帮助你计算测量数据的不确定度，并生成较规范的输出结果。它适合你在刚开始做实验数据处理时先建立流程感，但不要把它当成误差分析知识本身的替代品。

不确定度计算器界面

官方文档与主页入口

名称	作用	官方文档或主页
Python	语言本体与标准库。	https://docs.python.org/3/
NumPy	数组和基础数值计算。	https://numpy.org/doc/
SciPy	科学计算算法库。	https://docs.scipy.org/doc/scipy/
Matplotlib	科学绘图。	https://matplotlib.org/stable/
SymPy	符号计算。	https://docs.sympy.org/
pandas	表格数据处理。	https://pandas.pydata.org/docs/
Jupyter	交互式笔记本。	https://jupyter.org/
uncertainties	不确定度传播。	https://uncertainties.readthedocs.io/
Pint	单位管理。	https://pint.readthedocs.io/
Miniforge	conda 生态轻量入口。	https://github.com/conda-forge/miniforge

建议的入门练习

用 Python 画出简谐振动和阻尼振动的位移曲线，并比较二者差异。
用实验数据做一次直线拟合或指数拟合，并写出参数与不确定度。
用 SymPy 检查一个课堂推导，例如简谐振子的速度和加速度关系。

当你能独立完成这三类练习时，Python 就已经开始真正成为你的物理学习工具，而不是只停留在「听说很有用」的阶段。

本页面最近更新：2026/3/8 15:49:07，更新历史
发现错误？想一起完善？在 GitHub 上编辑此页！
本页面贡献者：Leafuke, Physics Learning Wiki
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用

Python 科学计算