企业官网建设流程全解析

1. 项目缘起：为什么数学实验课需要“微积分实验”？

刚拿到“数学实验2：微积分实验”这门课的任务时，很多同学可能会有点懵。我们不是已经在《高等数学》或《数学分析》里学了一堆极限、导数、积分了吗？为什么还要专门开一门实验课，用计算机来“做”微积分？这恰恰是这门课最核心的价值所在，也是我作为过来人，想跟大家分享的第一个关键认知：理论学习和计算实践之间，存在一道巨大的鸿沟，而这道鸿沟，正是现代科学研究和工程应用中最常踩的坑。

回想我们学微积分的时候，大部分精力花在了什么上？花在了手算极限、求导、积分，以及背诵各种复杂的公式和技巧上。比如，一个稍微复杂点的有理函数积分，可能需要拆项、配方、三角换元等一系列操作，算上半天，最后还可能因为一个正负号出错而前功尽弃。这在学习阶段是必要的思维训练，但在真实世界中，我们面对的函数可能来自实验数据拟合、来自复杂的物理模型、来自金融市场的随机过程，它们往往没有“漂亮”的解析表达式，或者表达式复杂到人力根本无法处理。

这时，计算机的价值就凸显出来了。“微积分实验”这门课，本质上是一门“桥梁课”。它的目标不是教你新的微积分理论（那是理论课的任务），而是教你如何将你已经学过的微积分理论，转化为计算机可以理解和执行的计算任务，并学会解读计算机给出的结果。你会从“纸笔演算者”转变为“计算方案的设计者和结果的分析者”。这个转变，对于未来无论你是想从事算法研究、数据分析、量化金融，还是任何涉及建模的工程领域，都至关重要。

举个最简单的例子：理论告诉你，函数在某点的导数定义了切线斜率。但给你一个由成千上万个离散数据点构成的曲线（比如股票价格走势、传感器信号），你怎么求它在任意时刻的“变化率”？理论公式用不上了，你必须借助数值微分的方法。计算机算出来的“导数”和理论上的导数是一回事吗？在什么条件下可以近似？误差有多大？这些问题的答案，就是这门实验课要带你探索的。

所以，别把这门课当成是《高等数学》的附属或重复。它是你第一次系统性地，以解决实际问题为导向，去重新审视和运用微积分工具。接下来，我将结合常见的实验模块，拆解其中的核心环节、技术选型逻辑以及那些容易踩坑的细节。

2. 实验环境搭建：选Python还是MATLAB？这是个问题

几乎所有学校的数学实验课，都会面临一个首要的抉择：用什么工具？常见的选择集中在MATLAB和Python（科学计算栈）之间。这里没有绝对的好坏，只有适合与否。我结合自己的使用经验和工业界的趋势，给大家做一个深度的对比和选型分析，这本身就是一个重要的“实验前思考”。

2.1 MATLAB：为数学计算而生的“专业选手”

MATLAB（Matrix Laboratory）顾名思义，就是矩阵实验室。它的设计初衷就是为了方便进行矩阵运算和数值计算。

优势分析：

1. 开箱即用，集成度高：安装一个MATLAB，你就拥有了一个强大的数值计算环境、一个还不错的编程语言（M语言）、一个可视化工具和一个简易的IDE。对于数学实验这种特定场景，你几乎不需要额外配置任何东西。它的语法非常贴近数学表达，比如解线性方程组A\b，求特征值eig(A)，写起来直观。
2. 工具箱生态强大：MATLAB拥有官方维护的、质量极高的各类工具箱（Toolbox）。对于微积分实验，Symbolic Math Toolbox（符号计算工具箱）和Curve Fitting Toolbox（曲线拟合工具箱）几乎是神器。符号计算可以让你进行公式推导、求解析导数和积分，这对于验证数值计算的结果、理解理论非常有帮助。
3. 文档和教学资源成熟：由于在高校和研究所历史悠久，MATLAB相关的教材、实验指导书、校内帮助文档非常丰富。很多实验的直接示例代码可能就是MATLAB写的，上手快。

劣势与考量：

1. 商业软件与成本：这是最大的门槛。正版MATLAB价格昂贵，虽然学校通常会提供校园版授权，但一旦离开校园环境，个人使用成本很高。这会影响你未来技能的可持续性。
2. 语言生态相对封闭：M语言的应用场景基本局限于MATLAB自身生态。虽然它能调用一些其他语言的库，但不如Python灵活。在当今数据科学、机器学习、Web开发融合的趋势下，MATLAB显得有些“专”但不够“广”。
3. 社区与开源：虽然也有社区，但其活跃度和开源库的丰富性远不及Python。遇到复杂或小众的问题，寻找解决方案可能更困难。

2.2 Python + 科学计算栈：自由灵活的“全能战士”

Python本身是一门通用编程语言，但借助几个核心的科学计算库（NumPy, SciPy, Matplotlib, SymPy），它能构建起不输MATLAB的数学实验环境。

优势分析：

1. 完全免费与开源：这是压倒性的优势。Anaconda发行版可以一键安装几乎所有你需要的科学计算库，没有任何授权费用。你的实验代码可以在任何装有Python的电脑上运行，便于分享和协作。
2. 生态无限广阔：你学会了Python和这些科学计算库，等于打开了一扇通往数据科学（pandas, scikit-learn）、机器学习（TensorFlow, PyTorch）、网络爬虫、自动化脚本等无数领域的大门。技能的可迁移性极强。
3. 强大的社区支持：任何你遇到的问题，几乎都能在Stack Overflow、GitHub或中文技术社区找到海量的讨论和解决方案。学习资源（如官方文档、博客、视频教程）也是爆炸式增长。
4. 与现代工作流无缝集成：你可以用Jupyter Notebook进行交互式实验和报告撰写（类似MATLAB的Live Script），代码和图文混排，非常适合作为实验报告载体。也可以轻松地将计算模块集成到更大的软件项目中。

劣势与考量：

1. 初始配置稍显复杂：虽然Anaconda简化了大部分工作，但比起MATLAB的一体化安装，仍需要了解“库”的概念。不同库的API需要单独学习（如NumPy的数组操作、SciPy的积分函数）。
2. 符号计算能力：Python的SymPy库在符号计算上功能强大，但在一些极端复杂的符号运算、表达式化简方面，可能不如商业软件MATLAB的Symbolic Toolbox优化得那么好。但对于本科阶段的微积分实验，SymPy绝对绰绰有余。
3. 性能“陷阱”：Python本身是解释型语言，在纯循环运算上较慢。但科学计算的核心（如矩阵运算）都是由底层C/Fortran实现的库（NumPy/SciPy）完成的，性能与MATLAB不相上下。关键是要避免用Python的for循环去处理大规模数组，一定要学会使用NumPy的向量化操作。

2.3 我的选择与实验建议

对于“电子科技大学数学实验2”这门课，我的核心建议是：如果课程没有强制规定，优先选择Python。

理由如下：

1. 面向未来：你在这里花时间学习Python科学计算栈，是一项长期投资。这项技能在你后续的课程设计、科研训练、求职面试中都会持续发挥作用。
2. 实验本质匹配：微积分实验的核心是“数值计算”和“结果可视化”，这正是NumPy、SciPy、Matplotlib的强项。SymPy足以应对符号计算验证的需求。
3. 报告撰写友好：使用Jupyter Notebook，你可以将代码、计算结果（包括数据、图像）、文字分析全部整合在一个文件中，导出为PDF或HTML，这比在MATLAB里截图再粘贴到Word里要优雅和可复现得多。

注意：如果课程指导老师明确要求使用MATLAB，或者实验指导书是基于MATLAB编写的，那么请遵循课程要求。掌握MATLAB本身也是一项有价值的技能。理想情况下，你可以了解两者的基本操作，但深入精通其中一套。

环境搭建具体步骤（以Python为例）：

1. 安装Anaconda：访问Anaconda官网，下载并安装对应你操作系统的Python 3.x版本。Anaconda会自动安装Python、包管理器conda以及Jupyter Notebook等基础工具。
2. 验证安装：打开终端（或Anaconda Prompt），输入python --version和jupyter notebook --version，确认安装成功。
3. 创建实验专用环境（可选但推荐）：conda create -n math_exp2 python=3.9创建一个名为math_exp2的纯净环境，然后激活它conda activate math_exp2。这可以避免不同项目间的库版本冲突。
4. 安装核心库：在激活的环境中，运行pip install numpy scipy matplotlib sympy。如果需要更精美的绘图，可以再加pip install seaborn。

至此，你的“微积分实验室”就搭建完毕了。

3. 核心实验模块深度拆解：从数值积分到微分方程

微积分实验的内容通常围绕几个核心模块展开。下面我将以Python科学计算栈为例，逐一拆解每个模块的实现原理、关键API、以及那些实验指导书上可能没写的“坑”。

3.1 数值积分：如何让计算机“求面积”？

理论告诉我们，定积分是求曲边梯形的面积。计算机不会“求”，它只会“算”。数值积分的思想，就是用一系列容易计算面积的小图形（如矩形、梯形、抛物线形）去逼近那个曲边梯形。

3.1.1 常用方法对比与scipy.integrate选用指南

SciPy的integrate模块提供了多种积分器。选哪个？为什么？

• quad：通用自适应积分（首选）

  • 原理：基于QUADPACK库，使用自适应辛普森法则或自适应高斯-克朗罗德法则。它会自动在函数变化剧烈的区间加密采样点，在平缓区间减少采样，在满足指定精度要求的同时，用最少的计算量得到结果。
  • 怎么用：result, error = scipy.integrate.quad(func, a, b, args=(), full_output=0, ...)
  • 关键参数：
    • epsabs：绝对误差容限。
    • epsrel：相对误差容限。默认是1.49e-8，对于大多数实验精度足够。
    • limit：子区间数量的上限，如果积分非常震荡或奇异，可能需要调高。
  • 何时用：绝大多数情况下，这是你的第一选择。用于计算一维定积分，被积函数func需要是一个接受单个标量参数并返回标量的Python函数。

  import numpy as np from scipy import integrate def my_func(x): return np.exp(-x**2) # 高斯函数，其积分是sqrt(pi)/2 result, estimated_error = integrate.quad(my_func, -np.inf, np.inf) print(f"积分结果: {result}, 估计误差: {estimated_error}") print(f"理论值: {np.sqrt(np.pi)}")

• fixed_quad：固定阶高斯求积

  • 原理：使用固定数量的高斯-勒让德积分节点和权重。精度由节点数n决定。
  • 特点：如果被积函数是光滑多项式，且阶数不超过2n-1，则可以精确积分。它不提供误差估计。
  • 何时用：当你明确知道被积函数非常光滑，且需要快速、确定性的计算时。或者用于对比不同阶数下的精度变化。

• trapz,simps：对离散数据的积分

  • 原理：trapz是梯形法则，simps是辛普森法则。它们不对函数进行调用，而是直接对给定的离散数据点(x, y)进行积分。
  • 何时用：当你的被积函数不是解析式，而是一组实验测量或模拟得到的数据点(x_i, y_i)时，必须用这两个。
  • 坑点：x可以是等间距或非等间距。对于非等间距，trapz可以直接用，simps则需要设置参数even='first'或'last'，或者使用scipy.integrate.simpson（新版推荐）。

  # 假设我们有一组实验数据 x_data = np.linspace(0, 10, 100) # 可能非等间距 y_data = np.sin(x_data) + np.random.normal(0, 0.05, 100) # 带噪声的正弦 # 梯形法则积分 integral_trapz = np.trapz(y_data, x_data) # 辛普森法则积分 (SciPy 1.9+ 推荐用 simpson) integral_simps = integrate.simpson(y_data, x=x_data)

3.1.2 实操中的大坑：奇异积分与无穷限积分

这是实验报告里最容易出错的地方。

1. 端点奇异性：比如积分∫_0^1 1/sqrt(x) dx，在x=0处函数值趋于无穷。直接调用quad(my_func, 0, 1)可能会失败或警告。

   • 解决方案：利用quad的points参数，指明奇点位置。quad(func, 0, 1, points=[0])。实际上，对于幂律奇点x^a（a>-1），quad通常能自动处理，但显式声明更安全。

2. 无穷限积分：如上面高斯积分的例子∫_{-∞}^{∞} e^{-x^2} dx。

   • 解决方案：quad直接支持无穷限，用np.inf或-np.inf作为积分上下限即可。背后的原理是进行了变量变换。

3. 震荡函数的积分：如∫_0^{∞} sin(x)/x dx（狄利克雷积分）。这类积分收敛很慢，直接算可能效率低或不准。

   • 解决方案：使用quad时，可以尝试增大limit参数。或者，利用数学知识将其转化为有限区间积分（例如通过变量替换）。更专业的工具是scipy.integrate.quad_vec（用于向量值函数）或考虑使用专门针对震荡积分的算法（如scipy.integrate.romb的变体，但不如quad通用）。

实验心得：每次进行数值积分后，务必关注quad返回的第二个值（误差估计）。如果误差估计值与你期望的精度相差甚远（比如你希望1e-6，但误差是1e-3），说明计算可能有问题，需要检查被积函数定义是否正确、是否存在奇点、或者是否需要调整积分参数。

3.2 数值微分：如何从离散数据中捕捉“变化率”？

数值微分比数值积分更“脆弱”，因为微分会放大数据中的噪声。实验中最常见的是两类问题：1) 给定函数f(x)的解析式，求其在某点的导数值；2) 给定一组离散数据点(x_i, y_i)，求其近似导函数。

3.2.1 基于函数解析式的微分

如果你有干净的解析式，求导数的黄金法则是：尽可能使用符号微分得到精确表达式，再代入数值计算。

import sympy as sp x = sp.symbols('x') f_sym = sp.sin(x**2) * sp.exp(-x) # 定义一个符号表达式 df_sym = sp.diff(f_sym, x) # 符号求导，得到精确的导数表达式 print(f"导函数表达式: {df_sym}") # 将符号表达式转换为可用于数值计算的函数 f_num = sp.lambdify(x, f_sym, 'numpy') df_num = sp.lambdify(x, df_sym, 'numpy') x_val = 2.0 print(f"在 x={x_val} 处的函数值: {f_num(x_val)}") print(f"在 x={x_val} 处的导数值（精确）: {df_num(x_val)}")

为什么优先用符号微分？因为数值微分（即使方法再高明）本质上是一种近似，存在截断误差和舍入误差。而符号微分给出的是数学上精确的导数公式，在代入具体数值时，只有一次浮点运算的舍入误差，精度最高。

3.2.2 基于离散数据的微分（这才是难点和重点）

当只有数据点(x_i, y_i)时，我们无法求“极限”，只能做“差分”。核心思想是用差分商(Δy/Δx)来近似导数。

• 中心差分法（推荐）：f'(x_i) ≈ (y_{i+1} - y_{i-1}) / (x_{i+1} - x_{i-1})

  • 优点：截断误差阶为O(h²)，比前向或后向差分（O(h)）精度高一阶。
  • 缺点：无法用于第一个和最后一个数据点。
  • 实现：可以用NumPy向量化操作快速实现。

    x = np.array([...]) # 假设已排序 y = np.array([...]) h = x[1:] - x[:-1] # 步长数组，可能非均匀 # 中心差分 (内部点) dydx_central = (y[2:] - y[:-2]) / (x[2:] - x[:-2]) # 处理边界：用前向/后向差分 dydx = np.zeros_like(y) dydx[1:-1] = dydx_central dydx[0] = (y[1] - y[0]) / (x[1] - x[0]) # 前向 dydx[-1] = (y[-1] - y[-2]) / (x[-1] - x[-2]) # 后向

• 使用SciPy的梯度函数：np.gradient是更通用和方便的选择。

  • 原理：对于内部点使用中心差分，对于边界点使用前向/后向差分。它自动处理非均匀网格。
  • 用法：dydx = np.gradient(y, x)。如果x是等间距的，可以简写为np.gradient(y, spacing)。
  • 注意：np.gradient返回的数组长度与y相同。

3.2.3 噪声数据的微分：平滑是王道

如果数据y_i带有显著的测量噪声（实验数据常态），直接对原始数据差分，得到的导数会充满剧烈的震荡（噪声被放大）。

解决方案：先平滑，再微分。

1. 滑动平均：简单但有效，适用于轻度噪声。
2. Savitzky-Golay滤波器（神器）：本质是用一个局部多项式对数据进行最小二乘拟合，然后用这个拟合多项式在中心点的导数作为该点的导数值。它能在有效平滑噪声的同时，更好地保留信号的原始特征（如峰值宽度）。

   from scipy.signal import savgol_filter # 平滑数据 window_length = 15 # 滑动窗口长度，必须为正奇数 polyorder = 3 # 拟合多项式阶数，必须小于window_length y_smooth = savgol_filter(y, window_length, polyorder) # 对平滑后的数据求导 (Savitzky-Golay滤波器可以直接输出导数) dydx_smooth = savgol_filter(y, window_length, polyorder, deriv=1, delta=x[1]-x[0])

   参数选择经验：window_length大约为数据主要特征宽度（如一个峰的半高宽）对应的点数。polyorder通常取2或3。需要通过实验调整，在平滑度和特征保持间取得平衡。

实验心得：在实验报告中处理离散数据微分时，一定要绘制对比图：原始数据图、平滑后数据图、原始数据直接差分得到的导数图、平滑后数据差分（或Savitzky-Golay直接求导）得到的导数图。通过视觉对比，你能清晰地看到平滑处理如何“拯救”了你的导数计算结果，这是报告中的一个重要亮点。

3.3 常微分方程（ODE）数值解：模拟动态过程

微积分实验的另一大块内容是求解常微分方程（组）的初值问题。这对应着模拟各种动态过程：弹簧振子、种群增长、电路暂态过程等。SciPy的scipy.integrate.solve_ivp是现代求解器的首选。

3.3.1solve_ivp的核心工作流程

1. 定义微分方程系统：必须将高阶ODE转化为一阶ODE方程组。例如，对于二阶方程y'' + ω²y = 0，令v = y'，则系统变为：

   y' = v v' = -ω² * y

   在代码中，你需要定义一个函数，其输入是当前时间t和状态向量[y, v]，输出是导数向量[y', v']。

   def harmonic_oscillator(t, state, omega): y, v = state dydt = v dvdt = -omega**2 * y return [dydt, dvdt]

2. 选择求解器（method）：solve_ivp提供了多种算法，常用有：

   • 'RK45'：默认选项，显式Runge-Kutta法（4/5阶），适用于大多数非刚性问题。
   • 'RK23'：低阶Runge-Kutta，精度要求不高时可能更快。
   • 'DOP853'：高阶（8阶）Runge-Kutta，精度高，但计算量更大。
   • 'Radau','BDF'：适用于刚性问题（系统中不同变量变化速率差异巨大）。

3. 调用求解器：

   from scipy.integrate import solve_ivp omega = 2.0 t_span = (0, 10) # 积分时间区间 y0 = [1.0, 0.0] # 初始条件 [y(0), v(0)] sol = solve_ivp(harmonic_oscillator, t_span, y0, args=(omega,), method='RK45', dense_output=True, rtol=1e-6, atol=1e-9)

4. 提取结果：

   • sol.t：求解器实际计算的时间点（自适应步长，非均匀）。
   • sol.y：对应时间点的状态值（数组，每列是一个时间点的状态向量）。
   • sol.sol：一个可调用对象，用于获取任意时间点的插值解（因为dense_output=True）。例如y_at_5 = sol.sol(5.0)。

3.3.2 精度控制与“刚性”问题识别

• rtol和atol：这是控制求解精度的两个最重要的参数。rtol是相对误差容限，atol是绝对误差容限。求解器会努力使局部误差估计值小于atol + rtol * abs(y)。通常，rtol设为1e-3到1e-6，atol可以设得更小（如1e-6或1e-9）。如果结果不理想，首先检查并收紧这两个容差。

• 什么是“刚性”（Stiff）问题？直观感受是：当你使用RK45这类显式方法时，为了保证稳定性，求解器被迫将步长取得非常非常小，导致计算极其缓慢，甚至失败。而换用隐式方法（如Radau,BDF）后，计算速度恢复正常。

  • 典型特征：系统中同时存在变化极快和极慢的成分。例如，某些化学反应动力学方程、包含快速衰减瞬态过程的电路方程。
  • 如何判断：先用RK45试算，如果发现求解异常缓慢（sol.nfev函数调用次数巨大），或者直接报错（Required step size is less than spacing between numbers.），就应怀疑是刚性问题，换用method='Radau'或'BDF'。

3.3.3 可视化与验证：相图与能量守恒

对于像弹簧振子这样的保守系统，数值解的质量可以通过检查能量是否守恒来验证。总能量E = 0.5*v^2 + 0.5*ω²*y²应该是一个常数。

在你的实验报告中，除了绘制位移y(t)和时间v(t)的曲线外，强烈建议绘制相图（y-v图）和能量随时间（或随状态）变化的图。

# 计算能量 y_vals, v_vals = sol.y energy = 0.5 * v_vals**2 + 0.5 * omega**2 * y_vals**2 import matplotlib.pyplot as plt fig, axes = plt.subplots(1, 3, figsize=(15, 4)) axes[0].plot(sol.t, y_vals, label='Displacement y') axes[0].set_xlabel('Time') axes[0].set_ylabel('y') axes[0].legend() axes[0].set_title('Time Series') axes[1].plot(y_vals, v_vals) axes[1].set_xlabel('Displacement y') axes[1].set_ylabel('Velocity v') axes[1].set_title('Phase Portrait') axes[2].plot(sol.t, energy) axes[2].set_xlabel('Time') axes[2].set_ylabel('Total Energy') axes[2].set_title('Energy Conservation Check') plt.tight_layout() plt.show()

如果能量曲线是一条严格水平线，说明数值解非常精确。如果能量有缓慢的漂移或震荡，说明数值方法引入了微小的耗散或误差，这可以作为你分析不同求解器（RK45vsDOP853）或不同容差（rtol=1e-6vsrtol=1e-9）性能的定量依据。

4. 实验报告撰写心法：从“交作业”到“展示思考”

实验做完了，代码跑通了，图也画好了，最后一步——写报告——才是真正体现你理解深度和工程素养的地方。一份好的微积分实验报告，不应该只是代码和结果的堆砌，而应该是一个有逻辑的“技术故事”。

4.1 结构设计：讲一个完整的故事

1. 问题重述与目标：用你自己的话简要说明本次实验要解决什么问题（例如，“本实验旨在通过数值方法，探究带阻尼受迫振动系统的稳态响应特性”）。明确实验目标。
2. 原理简述：不要大段抄书。只写出你实现算法所依据的核心数学公式和思想。比如，做数值积分时，写下你采用的算法（如自适应辛普森法则）的基本思想，并给出其误差估计公式（如果知道）。这证明你理解工具背后的原理，而不是只会调包。
3. 算法实现与关键代码：这是核心。不要贴全部代码。只展示最关键的函数定义、参数设置和算法核心循环部分。并对关键行添加注释，解释其作用。
   • 例如：展示你定义的微分方程函数def ode_system(t, state, params):，并说明每个状态变量的物理意义。
   • 例如：展示你调用solve_ivp时的关键参数设置，并解释为什么选择这个求解器（method='RK45'）和这个容差（rtol=1e-8）。
4. 结果展示与分析：这是报告的“肉”。
   • 图胜千言：精心设计你的图表。确保坐标轴有清晰的标签（含单位）、有图例、图形大小合适。一张图说明一个主要问题。
   • 对比实验：如果实验涉及不同方法或参数（比如不同积分方法、不同步长、不同平滑参数），一定要做对比。用表格或子图清晰地展示不同设置下的结果（积分值、误差、计算时间等）。
   • 定量分析：不要只说“A方法比B方法好”。要说“A方法在计算精度达到1e-6时，耗时仅为B方法的60%”，或者“当数据噪声标准差超过0.1时，直接差分的结果完全失真，而经Savitzky-Golay平滑后求导的结果仍能保持主要趋势”。
   • 误差分析：数值实验离不开误差讨论。误差来源是什么？是截断误差、舍入误差，还是数据噪声？你是如何估计或控制这些误差的？（例如，quad返回的误差估计值，改变容差rtol观察结果变化）。
5. 结论与思考：总结你的主要发现。更重要的是，提出**“如果…”**的思考。例如：“本次实验成功用四阶Runge-Kutta法模拟了单摆运动。但我发现，当初始角度很大时，模拟结果与线性近似解偏差明显。如果我想研究大角度下的精确周期，可能需要考虑采用更精确的数值方法，或者结合椭圆积分进行理论验证。” 这展现了你的延伸思考能力。

4.2 利用Jupyter Notebook提升报告效率与可复现性

强烈建议使用Jupyter Notebook来完成整个实验和报告撰写。它的“单元格”结构天然契合实验流程：

• Markdown单元格：写标题、原理、分析文字。
• Code单元格：写代码并执行，结果（输出、图表）直接显示在下方。
• 流程清晰：你可以按“导入库 -> 定义函数 -> 运行实验1 -> 分析结果1 -> 运行实验2 -> 分析结果2 …”的顺序组织单元格，整个逻辑一目了然。
• 可复现性：老师或同学拿到你的.ipynb文件，按顺序运行所有单元格，就能完全复现你的所有结果和图表，这是最高标准的实验报告。

最后，检查一遍你的报告：代码是否有注释？图表是否清晰自明？语言是否通顺专业？有没有错别字？这些细节，共同决定了一份报告是“优秀”还是“普通”。数学实验课锻炼的，正是这种将理论、计算、分析和表达结合起来的综合能力，这份能力，远比学会调用几个API函数重要得多。