1.概述
最近项目需要使用程序实现数学微积分，最初想用java实现，后来发现可用文档太少，实现比较麻烦，后来尝试使用python实现，代码量较少，主要有sympy与scipy两种实现方式，本文主要记录scipy的实现方式。
2.内容
2.1 所求函数
2.2 python代码
# 引入需要的包 import scipy.integrate from numpy import exp from math import sqrt import math # 创建表达式 f = lambda x,y : exp(x**2-y**2) # 计算二重积分：（p:积分值，err:误差） # 这里注意积分区间的顺序 # 第二重积分的区间参数要以函数的形式传入 p,err= scipy.integrate.dblquad(f, 0, 2, lambda g : 0, lambda h : 1) print(p)
2.3 注意问题
1. exp尽量使用numpy的exp
2. 注意积分区间参数的顺序
3. 第二重积分的区间参数要以函数的形式传入
补充：python实现求解积分
例子 1：
假设有随机变量 x，定义域 X，其概率密度函数为 p(x)，f(x) 为定义在 X 上的函数，目标是求函数 f(x) 关于密度函数 p(x) 的数学期望 
。
蒙特卡洛法根据概率分布 p(x) 独立地抽样 n 个样本 x1,x2,…..xn，得到近似的 f(x) 期望为：
其实这个的理解就是要求一个拥有概率密度的函数期望值
期望=积分（每个点的密度函数*每个点的价值函数）
例子 2：
假设我们想要求解 h(x) 在 X 上的积分：
我们将 h(x) 分解成一个函数 f(x) 和一个概率密度函数 p(x) 的乘积，进而又将问题转换为求解函数 f(x) 关于密度函数 p(x) 的数学期望 ：
这里的Ep(x)是相当于把整个分布当时了概率分布，即总发生概率为1.
这里，f(x) 表示为 
，则有：
更一般的，假设我们想要求解 
，熟悉积分的同学肯定已经知道答案为 
，那么如何用采样的方法来得到这个值呢？
令 
，0
。
下面是代码：
'''import random
num=1000000
sum=0
for i in range(0,num):
x=random.uniform(0,10)
sum+=x*x*10
sum/=1000000
print(sum)'''
import random
numSamples=10000
samples=[random.uniform(0,10)for _ in range(numSamples)]
f_samples=[10*sample**2 for sample in samples]
result=1/10000.0*sum(f_samples)
print(result)
result=333.10527012455066
random.uniform(x,y)表示在[x,y)之间生成一个 实数
对于复杂的 h(x)，这种方法计算起来显然就更加方便了（特别是忘记积分怎么算的同学）。
蒙特卡洛方法其实就是利用大数定理通过大量统计来算出最后的值。
到这里为止，我们简单的介绍了蒙特卡洛方法，但是依旧没有提到要怎么利用复杂的概率密度函数进行采样。
接下来我们来看一下接受-拒绝法（accept-reject sampling method），它也是蒙特卡洛法中的一种类型适用于不能直接抽样的情况。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。