搜索到
4
篇与
的结果
-
【数学笔记】高等数学 函数、极限、连续 简介高数里，函数、极限、连续这三个是基础中的基础，三者是连在一起的：先懂函数，才能学极限，搞懂极限了，才能理解连续。这三个搞不明白，后面的导数、积分根本学不进去。而且我发现，用咱们写代码的思路去理解这些抽象概念，会简单很多！下面我就结合Python代码，把这三个知识点捋清楚，记下来方便自己后续复习，也尽量写得直白，别搞那些花里胡哨的书面话。函数函数类似编程中的函数比如：def f(x): # x 是自变量 ：代表它可以发生变化，比如 x = 5，定义域就是x的取值范围，还要排除算不了的数 res = x**2 + 1 # 通过函数的对应法则，x=5时输出的因变量等于 26，就是5²+1的结果 return res f(3) # 因变量输出：10，和数学里算的f(3)=10一模一样，这就是“一个输入对应一个输出”在 $f(x)$ 中的 $x$ 值是自变量，x取值范围就叫做定义域，试想当 $x$ 发生变化比如取任何一个数 $5$，那么通过函数的对应法则 $x ^ 2 + 1$ 进行公式运算后得出 因变量 结果为：$26$。这里要注意，定义域不是随便取的，比如分式分母不能为0、平方根里不能是负数，不然就像编程报错一样，数学里叫“无定义”，x不能取这种数。而且一个x只能对应一个因变量，不能一个x算出两个结果，这是函数的基本规矩，记死就行。为了加深印象，我再补一个代码例子，重点看定义域和函数的确定性：def g(x): # 这个函数是1/x，分式函数，定义域是x≠0，不然报除零错误，数学里无定义 return 1/x # 测试定义域内的数 print(g(2)) # 输出0.5，一个输入对应一个输出，没问题 # 测试定义域外的数x=0 try: g(0) except ZeroDivisionError: print("x=0不在g(x)的定义域内，算不了") # 报错，对应数学里的“无定义”另外，因变量的取值范围叫值域，比如f(x)=x²+1，不管x取啥实数，结果都≥1，值域就是[1, +∞)，用代码随便测几个x就能验证：# 验证f(x)=x²+1的值域 test_x = [-3, -2, 0, 1, 4, 10] for x in test_x: print(f"f({x}) = {x**2 + 1}") # 输出依次为10、5、1、2、17、101，都≥1总的来说，函数没什么难的，核心就是“一个输入对应一个输出”，用编程的思路理解，就是“一个参数，一段计算代码，一个返回值”。定义域和值域就是x和f(x)的取值范围，记牢定义域要排除无意义的数，后面学极限、连续都会用到。极限极限描述的是当自变量趋近某个值时，函数的值趋近于什么def f(x): return (x**2 - 1) / (x - 1) # x=1时分母为0，编程报错，数学里无定义，但极限能解决这个问题计算 $\lim_{x \to 1} f(x) = L$，直接代入x=1会导致除零错误，但从极限的角度，可以简化并发现 $x$ 接近 1 时，函数值趋近于 2。这就是函数在 $x=1$ 处的极限。具体来说，把分子因式分解成(x-1)(x+1)，因为x是靠近1不是等于1，x-1不等于0，约掉后就是x+1，x靠近1时，x+1就靠近2。我用代码模拟x从1的左右两边慢慢靠近，能更直观看到趋势：def f(x): return (x**2 - 1) / (x - 1) # 从左边靠近1，delta越小，x越接近1 print("从左边趋近x=1：") for delta in [0.1, 0.01, 0.001, 0.0001, 0.00001]: x = 1 - delta val = f(x) print(f"x={x}，f(x)={val}") # 输出：x越靠近1，f(x)越靠近2（比如x=0.9→1.9，x=0.99→1.99） # 从右边靠近1 print("\n从右边趋近x=1：") for delta in [0.1, 0.01, 0.001, 0.0001, 0.00001]: x = 1 + delta val = f(x) print(f"x={x}，f(x)={val}") # 输出：x越靠近1，f(x)越靠近2（比如x=1.1→2.1，x=1.01→2.01）这里补充个知识点：x从左边靠近的极限叫左极限，右边的叫右极限，只有左右极限都存在且相等，这个点的极限才存在（这里都是2，所以极限就是2）。极限不关心x等于某个值的情况，只看趋势，这是它的核心作用，能解决函数无定义但能看趋势的问题。另外极限还有几个好理解的性质：一是唯一的，一个点的极限只有一个值；二是局部有界，极限存在的话，x附近的f(x)不会无限大/小；三是保号，极限是正数，x附近的f(x)也都是正数。总的来说，极限就是个“看趋势”的工具，搞懂x“靠近”和“等于”的区别，极限就没什么难的了，也是后面学连续的基础。连续函数的连续性表示函数在某一点没有间断。如果函数在某个点的极限值等于该点的函数值，则该函数在此点是连续的def f(x): if x == 2: return 6 # 故意设成6，和极限值5不一样，体现不连续 return x**2 + 1虽然函数在 $x=2$ 处有定义，但由于函数值与极限值不相等，函数在 $x=2$ 处是不连续的。这里要记牢连续的三个条件，少一个都不行：①函数在该点有定义；②极限存在（左右极限都有且相等）；③极限值=函数值。先验证x=2处的极限和函数值：# 验证x=2处的极限（趋近2的函数值） print("x趋近于2时，函数值的变化：") for delta in [0.1, 0.01, 0.001, 0.0001]: x1 = 2 - delta # 从左边靠近2 x2 = 2 + delta # 从右边靠近2 print(f"x={x1}时，f(x)={f(x1)}；x={x2}时，f(x)={f(x2)}") # 输出：x越靠近2，f(x)越靠近5（极限值是5） # 验证x=2处的函数值 print(f"\nx=2时，f(x)={f(2)}") # 输出6，和极限值5不相等x=2处满足①有定义（f(2)=6）、②极限存在（是5），但③极限值≠函数值，所以不连续，这个点叫“可去间断点”——把x=2的函数值改成5，就连续了：def continuous_f(x): if x == 2: return 5 # 改成和极限值一样的5 return x**2 + 1 # 验证连续性 print(f"x=2处函数值：{continuous_f(2)}") # 5，满足① print("x趋近于2时的函数值：") for delta in [0.1, 0.01, 0.001]: x1 = 2 - delta x2 = 2 + delta print(f"x={x1}→{continuous_f(x1)}；x={x2}→{continuous_f(x2)}") # 都趋近5，满足② print(f"极限值={2**2 + 1}，函数值={continuous_f(2)}") # 都是5，满足③，连续了除了可去间断点，还有两种常见的间断点，记下来方便复习：1. 跳跃间断点（左右极限都存在但不相等）def jump_f(x): if x < 2: return x + 1 # 左极限=3 else: return x - 1 # 右极限=1 # 验证左右极限 print("x从左边趋近2：") for delta in [0.1, 0.01, 0.001]: x = 2 - delta print(f"x={x}，f(x)={jump_f(x)}") # 趋近3 print("\nx从右边趋近2：") for delta in [0.1, 0.01, 0.001]: x = 2 + delta print(f"x={x}，f(x)={jump_f(x)}") # 趋近1 # 左≠右，极限不存在，不连续2. 无穷间断点（x靠近时f(x)无限大/小）def infinite_f(x): return 1 / (x - 2) # x=2无定义，x靠近2时f(x)无限大/小 # 验证 print("x从左边趋近2：") for delta in [0.1, 0.01, 0.001]: x = 2 - delta print(f"x={x}，f(x)={infinite_f(x)}") # 趋近-∞ print("\nx从右边趋近2：") for delta in [0.1, 0.01, 0.001]: x = 2 + delta print(f"x={x}，f(x)={infinite_f(x)}") # 趋近+∞ # 极限是无穷大，不存在，不连续最后补个小性质：连续函数的和/差/积/商（分母≠0）、复合函数还是连续的；闭区间上的连续函数一定有最大值和最小值，结合例子很好理解。总的来说，连续的核心就是“极限值=函数值”，搞懂了极限，连续就很简单，而且连续也是后面学导数、积分的基础，大部分能求导、能积分的函数都是连续的。用编程例子理解这些抽象概念最实用，把公式转化成熟悉的代码，一下子就不懵了。记这个笔记就是为了后续复习，把零散知识点串起来，搞懂本质不硬背，后面可以再补复杂例子巩固。总结函数是核心，和编程函数逻辑一致，核心是“一个输入对应一个输出”，记牢定义域、对应法则、因变量三个核心；极限是看趋势的工具，重点在“趋近”而非“等于”，解决了函数无定义但能判断趋势的问题；连续是函数的性质，核心是“极限值=函数值”，需满足有定义、极限存在、极限值=函数值三个条件，还要分清可去、跳跃、无穷三种常见间断点。 -
【数学笔记】常用数学符号速查表 留言在数学领域中，符号是一种强大的语言工具，用于表达各种数学概念、关系和运算，它们不仅简洁而精确，还为我们提供了一种统一的方式来描述和解释数学现象，使得数学变得更加可视化和易于理解。从基础的算术运算、几何图形，到高等数学的极限、积分、集合论，数学符号贯穿数学学习的全阶段，熟练识别、书写和运用这些符号，是高效学习数学的基础，也能让数学表达更严谨、更简洁。四则运算加法：$a + b$，表示$a$与$b$的和减法：$a - b$，表示$a$与$b$的差乘法：$a \times b$ 或 $a \cdot b$ 或 $ab$（字母/数字与字母相乘可省略乘号，数字相乘建议保留$\times$），表示$a$与$b$的积除法：$\dfrac{a}{b}$ 或 $a \div b$（$b\neq0$，分母不能为0），表示$a$除以$b$的商乘方：$a^n$，表示$n$个$a$连续相乘，$a^2$（平方）、$a^3$（立方）为常用特例，如$5^2=5\times5$开方：$\sqrt[n]{a}$，表示$a$的$n$次方根，$n=2$时省略为$\sqrt{a}$（平方根），$n=3$为$\sqrt[3]{a}$（立方根），如$\sqrt[3]{8}=2$括号：$()$（小括号/圆括号）、$[]$（中括号/方括号）、$\lbrace \rbrace$（大括号/花括号），用于改变运算优先级，如$2\times(3+4)=14$数学符号基础关系与运算符号正号：$+x$，表示一个正数 $x$负号：$-y$，表示一个负数 $y$等于：$a = b$，表示 $a$ 等于 $b$不等于：$\neq$，表示不等于的关系，例如 $a \neq b$，表示 $a$ 不等于 $b$约等于：$\approx$，表示约等于的关系，例如 $\pi \approx 3.14$，表示 $\pi$ 约等于 $3.14$小于：$a < b$，表示 $a$ 小于 $b$大于：$a > b$，表示 $a$ 大于 $b$小于等于：$\leq$，表示小于等于的关系，例如 $a \leq b$，表示 $a$ 小于或等于 $b$大于等于：$\geq$，表示大于等于的关系，例如 $a \geq b$，表示 $a$ 大于或等于 $b$正比/反比：$\propto$，表示成正比，$a\propto b$即$a=kb$（$k$为常数）；$a\propto \dfrac{1}{b}$表示$a$与$b$成反比百分号/千分号：$\%$ / $\‰$，$1\%=\dfrac{1}{100}$，$1\‰=\dfrac{1}{1000}$，如$20\%x=0.2x$阶乘：$n!$，表示$n$的阶乘，$n!=n\times(n-1)\times\cdots\times1$，特例$0!=1$、$1!=1$，如$5!=5\times4\times3\times2\times1=120$恒等：$\equiv$，表示恒等的关系，例如 $a \equiv b$，表示无论变量取何值，$a$ 与 $b$ 始终相等绝对值：$|x|$，表示 $x$ 的绝对值，即数轴上$x$到原点的距离，$|x|\geq0$，如$|-5|=5$、$|0|=0$无穷：$\infty$，表示无穷大，正无穷$+\infty$、负无穷$-\infty$，如$x\to+\infty$表示$x$趋近于正无穷闭区间：$[a, b]$，表示一个闭区间，包含端点 $a$ 和 $b$，即$a\leq x\leq b$开区间：$(a, b)$，表示一个开区间，不包含端点 $a$ 和 $b$，即$a< x< b$半开半闭区间：$(a, b]$ / $[a, b)$，前者包含$b$不包含$a$，后者包含$a$不包含$b$，如$x\in(1,5]$即$1<x\leq5$集合符号属于：$\in$，表示属于的关系，例如 $x \in A$，表示 $x$ 是集合 $A$ 的元素不属于：$\notin$，表示不属于的关系，例如 $x \notin A$，表示 $x$ 不是集合 $A$ 的元素包含于：$\subset$ 或 $\subseteq$，$\subset$为真包含于（$A\subset B$表示$A$是$B$的真子集，$A\neq B$），$\subseteq$为包含于（允许$A=B$）包含：$\supset$ 或 $\supseteq$，与包含于互逆，$A\supset B$表示集合$A$包含集合$B$交集：$A \cap B$，表示集合 $A$ 和集合 $B$ 的公共元素组成的集合，如$A=\{1,2\}$、$B=\{2,3\}$，则$A\cap B=\{2\}$并集：$A \cup B$，表示集合 $A$ 和集合 $B$ 的所有元素组成的集合，如$A=\{1,2\}$、$B=\{2,3\}$，则$A\cup B=\{1,2,3\}$空集：$\emptyset$ 或 $\varnothing$，表示一个不包含任何元素的集合，$\emptyset\subset$任意非空集合全集：$U$，表示研究问题中所有元素组成的集合，如研究实数时，$U=\mathbb{R}$补集：$\complement_U A$，表示在全集$U$中，不属于$A$的所有元素组成的集合，如$U=\{1,2,3,4\}$、$A=\{1,2\}$，则$\complement_U A=\{3,4\}$常用数集：$\mathbb{N}$（自然数集，$0,1,2,\dots$）、$\mathbb{Z}$（整数集，$\dots,-1,0,1,\dots$）、$\mathbb{Q}$（有理数集）、$\mathbb{R}$（实数集）、$\mathbb{C}$（复数集）几何符号角：$\angle$，表示角度，如$\angle ABC$表示以$B$为顶点，$BA$、$BC$为边的角度：$^\circ$，角度单位，$1^\circ=\dfrac{1}{360}$周角分：$'$，角度小单位，$1^\circ=60'$秒：$''$，角度小单位，$1'=60''$，如$30^\circ15'30''$平行：$\parallel$，表示平行的关系，如$AB \parallel CD$表示直线$AB$与直线$CD$无交点垂直：$\perp$，表示垂直的关系，如$AB \perp CD$表示直线$AB$与直线$CD$的夹角为$90^\circ$圆弧：$\widehat{AB}$，表示以点 $A$ 和点 $B$ 为端点的圆弧扇形：$\overset{\frown}{AB}O$，表示以$O$为圆心、$\widehat{AB}$为弧的扇形圆：$\odot$，标准圆符号，$\odot O$表示以点$O$为圆心的圆，原$\circ$为简易写法圆周率：$\pi$，圆的周长与直径的比值，$\pi\approx3.1415926535$，为无理数全等：$\cong$，表示图形完全重合，如$\triangle ABC \cong \triangle DEF$（两个三角形全等）相似：$\sim$，表示图形形状相同、大小成比例，如$\triangle ABC \sim \triangle DEF$（两个三角形相似）垂直平分线：$l\perp AB$且$l$平分$AB$，表示直线$l$是线段$AB$的垂直平分线角平分线：$BD$平分$\angle ABC$，表示射线$BD$将$\angle ABC$分为两个相等的角因为：$\because$，用于数学证明的原因推导所以：$\therefore$，用于数学证明的结果推导高等数学与特殊运算符号函数：$f(x)$，表示以$x$为自变量的函数，也可表示为$g(x)$、$y(x)$、$f(x,y)$（二元函数）等极限：$\lim$，极限核心符号，$\lim\limits_{x \to a} f(x)$表示$x$趋近于$a$时$f(x)$的极限；$\lim\limits_{x \to a^+} f(x)$（右极限，$x$从右侧趋近$a$）、$\lim\limits_{x \to a^-} f(x)$（左极限，$x$从左侧趋近$a$）导数：$f'(x)$ 或 $y'$（一阶导数）、$f''(x)$ 或 $y''$（二阶导数）、$\dfrac{dy}{dx}$（微商形式），表示函数的变化率偏导数：$\dfrac{\partial f}{\partial x}$，表示多元函数$f(x,y)$对自变量$x$的偏导数Sigma求和：$\sum$，表示连加，$\sum\limits_{i=1}^n a_i = a_1+a_2+\dots+a_n$，$i$为求和下标，$1$为下限，$n$为上限求积：$\prod$，表示连乘，$\prod\limits_{i=1}^n a_i = a_1\times a_2\times\dots\times a_n$根号：$\sqrt{}$，表示平方根，$\sqrt[n]{}$表示$n$次方根，偶次根下被开方数$\geq0$积分：$\int$，不定积分$\int f(x)dx$；定积分$\int_a^b f(x)dx$，表示区间$[a,b]$上的积分曲线积分：$\int_C f\, ds$ 或 $\int_C \mathbf{F} \cdot d\mathbf{r}$，表示沿曲线$C$的积分二重积分/三重积分：$\iint_D f(x,y)dxdy$（平面区域$D$）、$\iiint_\Omega f(x,y,z)dxdydz$（空间区域$\Omega$）虚数：$i$，虚数单位，满足$i^2=-1$，复数可表示为$a+bi$（$a,b\in\mathbb{R}$）无穷小/无穷大：$o(x)$（高阶无穷小）、$O(x)$（同阶无穷大），用于高等数学的极限比较梯度/散度/旋度：$\nabla f$（梯度）、$\nabla\cdot\mathbf{F}$（散度）、$\nabla\times\mathbf{F}$（旋度），高等数学矢量运算常用极限存在：$\exists$（存在）、$\forall$（任意），如$\forall\varepsilon>0,\exists\delta>0$，为极限的严格定义符号常见平面图形面积公式长方形面积公式：$S = 长 \times 宽$ 即：$S = l \times w$（$l$为长，$w$为宽）示例：假设长方形，长为$8\text{ cm}$，宽为$9\text{ cm}$ 那么：$S=8 \times 9 = 72 \text{ cm}^2$正方形面积公式：$S = 边长 \times 边长$ 即：$S = a^2$（$a$为边长）示例：已知正方形的边长为$5\text{ cm}$，则面积$S = 5^2 = 25 \text{ cm}^2$；逆运算：若已知正方形的面积为$25\text{ cm}^2$，则边长为$\sqrt{25} = 5\text{ cm}$。三角形面积公式：$S = \frac{1}{2} \times 底 \times 高$ 即：$S = \frac{1}{2}ah$（$a$为底边长，$h$为底边对应的高，高与底边垂直）示例：假设有一个三角形，其底边长为 $5\text{ cm}$，该底边上的高为$3\text{ cm}$，则：$S=\frac{1}{2}\times5\times3=7.5 \text{ cm}^2$补充：海伦公式$S=\sqrt{p(p-a)(p-b)(p-c)}$（$a,b,c$为三边长，$p=\dfrac{a+b+c}{2}$），无高时可用平行四边形面积公式：$S = 底 \times 高$ 即：$S = ah$（$a$为底边长，$h$为底边对应的高）示例：平行四边形底为$6\text{ cm}$，高为$4\text{ cm}$，则$S=6\times4=24 \text{ cm}^2$菱形面积公式1：$S = 底 \times 高$（同平行四边形）；公式2：$S = \frac{1}{2}d_1d_2$（$d_1、d_2$为两条对角线的长度）示例：菱形对角线长分别为$4\text{ cm}$、$6\text{ cm}$，则$S=\frac{1}{2}\times4\times6=12 \text{ cm}^2$梯形面积公式：$S = \frac{1}{2} \times (上底 + 下底) \times 高$ 即：$S = \frac{1}{2}(a+b)h$（$a$为上底，$b$为下底，$h$为上下底之间的垂直距离）示例：梯形上底为$3\text{ cm}$，下底为$7\text{ cm}$，高为$5\text{ cm}$，则$S=\frac{1}{2}\times(3+7)\times5=25 \text{ cm}^2$圆形面积公式：$S = \pi r^2$ 或 $S = \frac{1}{4}\pi d^2$（$r$为圆的半径，$d$为圆的直径，$d=2r$）示例：圆的半径为$4\text{ cm}$，则面积$S=\pi\times4^2=16\pi \text{ cm}^2\approx50.24 \text{ cm}^2$环形面积公式：$S = \pi (R^2 - r^2)$（$R$为外圆半径，$r$为内圆半径，$R>r$）示例：外圆半径$5\text{ cm}$，内圆半径$3\text{ cm}$，则环形面积$S=\pi\times(5^2-3^2)=16\pi \text{ cm}^2\approx50.24 \text{ cm}^2$扇形面积公式：$S = \frac{n}{360}\pi r^2$ 或 $S = \frac{1}{2}lr$（$n$为扇形圆心角度数，$r$为半径，$l$为扇形弧长）示例：扇形圆心角$60^\circ$，半径$6\text{ cm}$，则$S=\frac{60}{360}\times\pi\times6^2=6\pi \text{ cm}^2\approx18.84 \text{ cm}^2$常见立体图形体积公式（面积延伸常用知识点，统一补充更实用，单位为立方厘米$\text{cm}^3$、立方米$\text{m}^3$等）长方体体积公式：$V = 长 \times 宽 \times 高$ 即$V=lwh$示例：长$2\text{ cm}$、宽$3\text{ cm}$、高$4\text{ cm}$，则$V=2\times3\times4=24\text{ cm}^3$正方体体积公式：$V = 边长^3$ 即$V=a^3$示例：边长$5\text{ cm}$，则$V=5^3=125\text{ cm}^3$圆柱体体积公式：$V = \pi r^2 h$（$r$为底面半径，$h$为圆柱的高）示例：底面半径$2\text{ cm}$、高$5\text{ cm}$，则$V=\pi\times2^2\times5=20\pi\text{ cm}^3\approx62.8\text{ cm}^3$圆锥体体积公式：$V = \frac{1}{3}\pi r^2 h$（$r$为底面半径，$h$为圆锥的高，是同底同高圆柱体积的$\dfrac{1}{3}$）示例：底面半径$2\text{ cm}$、高$5\text{ cm}$，则$V=\frac{1}{3}\times\pi\times2^2\times5=\dfrac{20}{3}\pi\text{ cm}^3\approx20.93\text{ cm}^3$球体体积公式：$V = \frac{4}{3}\pi R^3$（$R$为球的半径）示例：球的半径$3\text{ cm}$，则$V=\frac{4}{3}\times\pi\times3^3=36\pi\text{ cm}^3\approx113.04\text{ cm}^3$圆台体积公式：$V = \frac{1}{3}\pi h (R^2+Rr+r^2)$（$R$为上底半径，$r$为下底半径，$h$为圆台的高）示例：上底半径$1\text{ cm}$、下底半径$2\text{ cm}$、高$3\text{ cm}$，则$V=\frac{1}{3}\pi\times3\times(1+2+4)=7\pi\text{ cm}^3\approx21.98\text{ cm}^3$
-
【数学笔记】常见距离计算：欧氏、曼哈顿、切比雪夫 简介在数据分析、路径规划、机器学习这些场景里，经常要算两个点/向量之间的“距离”，欧氏、曼哈顿、切比雪夫是最基础也最常用的三种，我结合公式和Python代码把它们捋清楚，记下来方便后续用，尽量写得直白，重点在“能看懂、能复用”。1. 欧氏距离（Euclidean Distance）核心说明欧式距离就是咱们最直观的“直线距离”，比如平面上两点间的直线长度，三维空间里两点间的直线长度，本质是勾股定理的延伸，也是最符合日常认知的距离计算方式。公式(1) 二维平面上两点 $a(x_1, y_1)$ 和 $b(x_2,y_2)$ 的直线距离：$d(a,b) = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2}$(2) 三维空间两点 $a(x_1,y_1,z_1)$、$b(x_2,y_2,z_2)$ 间的欧氏距离：$d(a,b) = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2 + (z_2 - z_1)^2}$(3) 两个n维向量 $a(x_{11},x_{12},\dots,x_{1n})$ 和 $b(x_{21},x_{22},\dots,x_{2n})$ 间的欧氏距离：$d(a,b) = \sqrt{\sum_{i=1}^n (x_{2i} - x_{1i})^2}$也可以表示成向量运算的形式：$d(a,b) = \sqrt{(a - b)^T(a - b)}$Python实现（支持n维向量）import math def euclidean_distance(a, b): """ 计算两个n维向量的欧氏距离 :param a: 第一个向量（列表/元组，如[1,50.6]、[1,2,3]） :param b: 第二个向量（维度需和a一致） :return: 欧氏距离值 """ if len(a) != len(b): raise ValueError("两个向量的维度必须一致！") # 先算每个维度差值的平方和，再开平方 squared_sum = sum((x - y)**2 for x, y in zip(a, b)) return math.sqrt(squared_sum) # 测试案例 # 二维案例（原示例） test_a_2d = [1, 50.6] test_b_2d = [1, 1] print(f"二维欧氏距离：{euclidean_distance(test_a_2d, test_b_2d)}") # 输出49.6 # 三维案例 test_a_3d = [1, 2, 3] test_b_3d = [4, 5, 6] print(f"三维欧氏距离：{euclidean_distance(test_a_3d, test_b_3d)}") # 输出√(9+9+9)=√27≈5.1962. 曼哈顿距离（Manhattan Distance）核心说明曼哈顿距离也叫“城市街区距离”，不是直线距离，而是像在城市里走路一样，只能沿横竖方向走，算的是“横向+纵向”的总路程，比如从A点到B点，绕着街区走的总距离。公式(1) 二维平面两点 $a(x_1,y_1)$ 和 $b(x_2,y_2)$ 间的曼哈顿距离：$d(a,b) = |x_2 - x_1| + |y_2 - y_1|$(2) 两个n维向量 $a(x_{11},x_{12},\dots,x_{1n})$ 与 $b(x_{21},x_{22},\dots,x_{2n})$ 间的曼哈顿距离：$d(a,b) = \sum_{i=1}^n |x_{2i} - x_{1i}|$Python实现（支持n维向量）def manhattan_distance(a, b): """ 计算两个n维向量的曼哈顿距离 :param a: 第一个向量（列表/元组） :param b: 第二个向量（维度需和a一致） :return: 曼哈顿距离值 """ if len(a) != len(b): raise ValueError("两个向量的维度必须一致！") # 累加每个维度差值的绝对值 return sum(abs(x - y) for x, y in zip(a, b)) # 测试案例 # 二维案例（原示例） print(f"二维曼哈顿距离：{manhattan_distance(test_a_2d, test_b_2d)}") # 输出0 + 49.6 = 49.6 # 三维案例 print(f"三维曼哈顿距离：{manhattan_distance(test_a_3d, test_b_3d)}") # 输出3+3+3=93. 切比雪夫距离（Chebyshev Distance）核心说明切比雪夫距离可以理解成“国王距离”——国际象棋里国王走一步能到相邻8个方格中的任意一个，从A点到B点，国王最少需要走的步数就是切比雪夫距离，本质是两个点各维度差值的绝对值中最大的那个。公式(1) 二维平面两点 $a(x_1,y_1)$ 和 $b(x_2,y_2)$ 间的切比雪夫距离：$d(a,b) = \max(|x_2 - x_1|, |y_2 - y_1|)$(2) 两个n维向量 $a(x_{11},x_{12},\dots,x_{1n})$ 和 $b(x_{21},x_{22},\dots,x_{2n})$ 间的切比雪夫距离：$d(a,b) = \max_{i=1}^n |x_{2i} - x_{1i}|$Python实现（支持n维向量）def chebyshev_distance(a, b): """ 计算两个n维向量的切比雪夫距离 :param a: 第一个向量（列表/元组） :param b: 第二个向量（维度需和a一致） :return: 切比雪夫距离值 """ if len(a) != len(b): raise ValueError("两个向量的维度必须一致！") # 取每个维度差值绝对值的最大值 return max(abs(x - y) for x, y in zip(a, b)) # 测试案例 # 二维案例（棋盘场景） chess_a = (1, 1) chess_b = (5, 4) print(f"棋盘上国王从{chess_a}到{chess_b}的步数（切比雪夫距离）：{chebyshev_distance(chess_a, chess_b)}") # 差值x=4，y=3，最大值4，输出4 # 原示例二维测试 print(f"原示例切比雪夫距离：{chebyshev_distance(test_a_2d, test_b_2d)}") # 差值x=0，y=49.6，最大值49.6，输出49.6 # 三维案例 print(f"三维切比雪夫距离：{chebyshev_distance(test_a_3d, test_b_3d)}") # 差值都是3，最大值3，输出34. 三种距离的整合调用整合代码def calculate_distance(a, b, distance_type="euclidean"): """ 统一计算三种距离的封装函数 :param a: 第一个向量 :param b: 第二个向量 :param distance_type: 距离类型，可选"euclidean"/"manhattan"/"chebyshev" :return: 对应类型的距离值 """ if len(a) != len(b): raise ValueError("两个向量维度必须一致！") if distance_type == "euclidean": return euclidean_distance(a, b) elif distance_type == "manhattan": return manhattan_distance(a, b) elif distance_type == "chebyshev": return chebyshev_distance(a, b) else: raise ValueError("距离类型仅支持euclidean/manhattan/chebyshev！") # 批量测试 test_vec1 = [2, 5, 8] test_vec2 = [6, 9, 12] print(f"批量测试 - 欧氏距离：{calculate_distance(test_vec1, test_vec2, 'euclidean')}") # √(16+16+16)=√48≈6.928 print(f"批量测试 - 曼哈顿距离：{calculate_distance(test_vec1, test_vec2, 'manhattan')}") # 4+4+4=12 print(f"批量测试 - 切比雪夫距离：{calculate_distance(test_vec1, test_vec2, 'chebyshev')}") # 最大值4闵可夫斯基距离（三种统一）其实欧氏、曼哈顿、切比雪夫都是“闵可夫斯基距离”的特例，公式如下：$d(a,b) = \left( \sum_{i=1}^n |x_{2i} - x_{1i}|^p \right)^{\frac{1}{p}}$当 $p=1$ 时，就是曼哈顿距离；当 $p=2$ 时，就是欧氏距离；当 $p \to \infty$ 时，就是切比雪夫距离。def minkowski_distance(a, b, p): """ 计算闵可夫斯基距离（p为参数，覆盖三种基础距离） :param a: 第一个向量 :param b: 第二个向量 :param p: 阶数（p=1→曼哈顿，p=2→欧氏，p越大越接近切比雪夫） :return: 闵可夫斯基距离值 """ if len(a) != len(b): raise ValueError("两个向量维度必须一致！") if p <= 0: raise ValueError("p必须大于0！") # p→∞时直接返回切比雪夫距离（简化版） if p == float("inf"): return chebyshev_distance(a, b) sum_pow = sum(abs(x - y)**p for x, y in zip(a, b)) return sum_pow ** (1/p) # 验证特例 print(f"p=1（曼哈顿）：{minkowski_distance(test_vec1, test_vec2, 1)}") # 12，和之前一致 print(f"p=2（欧氏）：{minkowski_distance(test_vec1, test_vec2, 2)}") # ≈6.928，和之前一致 print(f"p=∞（切比雪夫）：{minkowski_distance(test_vec1, test_vec2, float('inf'))}") # 4，和之前一致5. 三种应用场景距离类型核心特点典型应用场景欧氏距离直线距离，贴合直观认知机器学习（相似度计算、KNN算法）、坐标定位、三维建模曼哈顿距离街区式路程，对异常值更稳健路径规划（外卖配送、城市导航）、推荐系统（用户行为相似度）切比雪夫距离最大维度差值，“步数”思维棋盘类算法、物流配送（最大运输维度优化）、多维度决策总结欧氏、曼哈顿、切比雪夫是最基础的距离计算方式，核心区别在于“维度差值的处理方式”（平方和开方/绝对值和/绝对值最大值）；三种距离都能扩展到n维向量，代码实现时要注意“维度一致”的校验，避免报错；闵可夫斯基距离是三者的统一形式，通过调整参数p可以切换不同距离类型，方便灵活调用；实际使用时要根据场景选：要直线距离选欧氏，要路径总长度选曼哈顿，要“最少步数”选切比雪夫。
-
【数学笔记】编程中的数学小知识 简介编程里藏了好多数学小知识，别看这些知识点基础，吃透了能让代码跑得更快、逻辑更通透！我把平时写代码常用的二进制位运算、等差数列求和、进位原理这些整理出来，结合Python代码掰扯清楚，记下来复习用，全是大白话，不搞虚的，重点是“能看懂、能直接用”。一、二进制与位运算在我们写代码时偶尔会碰到位运算，一开始我也懵，后来发现这玩意儿就是直接操弄二进制的0和1，比普通加减乘除快多了！Python里就四种核心位运算，和布尔逻辑的与、或、异或、非对应，先把规则和用法记死，用到的时候直接套就行。位运算符号大白话通俗别名按位与&俩位都为1才是1，否则0AND按位或\只要有一个1就是1，否则0OR按位异或^俩位不一样才是1，一样就是0XOR按位取反~0变1、1变0（Python里要注意补码）NOT左位移<<二进制整体左移，右边补0，等价乘2ⁿ左移右位移>>二进制整体右移，左边补符号位，等价除2ⁿ右移1. 按位与（AND：&）说白了就是“严要求”，必须俩位都为1才给1，不然全是0。我亲测最常用的场景就是判断奇偶——任何数和1做按位与，结果为1就是奇数，为0就是偶数，比取模%快多了！# 二进制数 0b101（十进制5）和 0b111（十进制7）的 AND 运算 a = 0b101 # 十进制5，二进制就是101 b = 0b111 # 十进制7，二进制就是111 c = a & b # 逐位比：1&1=1，0&1=0，1&1=1 → 结果0b101（十进制5） print(f"二进制结果：{bin(c)}，十进制结果：{c}") # 输出：0b101，5 # 实用场景：判断奇偶（亲测比num % 2快） def is_odd(num): return num & 1 == 1 # 结果为True就是奇数，False是偶数 print(f"15是奇数吗？{is_odd(15)}") # True print(f"20是奇数吗？{is_odd(20)}") # False2. 按位或（OR：|）这玩意儿是“松要求”，只要有一个位是1，结果就为1，特别适合给二进制的特定位赋值1，比如权限控制里合并多个权限标记。# 二进制数 0b101（十进制5）和 0b110（十进制6）的 OR 运算 a = 0b101 # 十进制5 b = 0b110 # 十进制6 c = a | b # 逐位比：1|1=1，0|1=1，1|0=1 → 结果0b111（十进制7） print(f"二进制结果：{bin(c)}，十进制结果：{c}") # 输出：0b111，7 # 实用场景：给数字的二进制某位置1（比如给0b101的第二位设为1） num = 0b101 # 5 mask = 0b010 # 要设置的位 result = num | mask print(f"置1后：{bin(result)}") # 0b111，也就是73. 按位异或（XOR：^）这个是我最喜欢的！俩位不一样就给1，一样就给0，最牛的用法是不用临时变量交换两个数，代码贼简洁，面试也常考！# 二进制数 0b101（十进制5）和 0b110（十进制6）的 XOR 运算 a = 0b101 # 十进制5 b = 0b110 # 十进制6 c = a ^ b # 逐位比：1^1=0，0^1=1，1^0=1 → 结果0b011（十进制3） print(f"二进制结果：{bin(c)}，十进制结果：{c}") # 输出：0b11，3 # 实用场景：交换两个数（不用temp变量） x = 10 y = 20 print(f"交换前：x={x}，y={y}") x ^= y # 第一步：x = x^y = 10^20 y ^= x # 第二步：y = y^(x^y) = x x ^= y # 第三步：x = (x^y)^x = y print(f"交换后：x={x}，y={y}") # x=20，y=10，完美交换！4. 按位取反（NOT：~）这个要注意坑！表面是按位取反，但Python里整数用补码存储，所以取反后不是单纯的0变1，而是 ~x = -(x + 1)，记着这个公式就不会错了。# 对二进制数 0b101（十进制5）进行 NOT 运算 a = 0b101 # 十进制5，补码是...00000101 b = ~a # 取反后补码是...11111010 → 对应十进制-6，符合~x=-(x+1) print(f"二进制结果：{bin(b)}，十进制结果：{b}") # 输出：-0b110，-6 # 验证公式：~x = -(x+1) print(f"~5 = {~5}，-(5+1) = {-6}") # 两边相等，记死这个公式！5. 位移运算（<< / >>）位运算里位移也超常用，说白了就是“二进制搬家”，左移1位等于乘2，右移1位等于除2，比直接乘除快多了！# 左位移：0b101（5）左移1位 → 0b1010（10），等价5*2 num = 5 print(f"5左移1位：{num << 1}") # 10 print(f"5左移2位：{num << 2}") # 20（等价5*4） # 右位移：0b1010（10）右移1位 → 0b101（5），等价10/2 num = 10 print(f"10右移1位：{num >> 1}") # 5 print(f"10右移2位：{num >> 2}") # 2（等价10//4）二、等差数列求和写代码时经常要算连续数字的和，比如统计1到100的和、100到1000的和，要是用for循环累加太笨了！等差数列求和公式直接套，一秒出结果，效率拉满。核心公式基础版（公差=1，比如1,2,3...）：项数 $n = a_n - a_1 + 1$（$a_1$首项，$a_n$末项）和 $S = n \times (a_1 + a_n) // 2$通用版（公差≠1，比如1,3,5,7...）：项数 $n = [(a_n - a_1) ÷ 公差d] + 1$和 $S = n \times [2a_1 + (n-1)d] // 2$Python 实现''' 自定义等差数列求和函数，支持公差≠1的情况 a1：首项，an：末项，d：公差（默认1） 返回值：数列的和 ''' def arithmetic_sum(a1, an, d=1): # 先校验参数，避免传错 if a1 > an or d <= 0: raise ValueError("首项不能大于末项，公差得是正数！") # 计算项数 n = (an - a1) // d + 1 # 通用求和公式 total = n * (2 * a1 + (n - 1) * d) // 2 return total # 测试1：100至1000的连续整数和（公差1） print(f"100到1000的和：{arithmetic_sum(100, 1000)}") # 输出495550 # 测试2：1,3,5,...,99的奇数和（公差2） print(f"1到99的奇数和：{arithmetic_sum(1, 99, 2)}") # 输出2500 # 测试3：2,4,6,...,100的偶数和（公差2） print(f"2到100的偶数和：{arithmetic_sum(2, 100, 2)}") # 输出2550为什么不用循环？我测过，算1到1000000的和，循环要跑0.1秒左右，用公式直接0.0001秒搞定，数据量越大，公式的优势越明显！记着：只要是“相邻数差值固定”的数列，都用这个公式，别傻乎乎写循环。三、进位原理咱平时用的+号，计算机底层其实是靠“进位”实现的！不管十进制还是二进制，核心都是“逢n进1”（十进制逢10进1，二进制逢2进1）。我写了个手动实现加法的函数，吃透这个逻辑，能搞懂计算机加法的底层。1. 十进制进位加法说白了就是“从个位开始加，满10进1”，我写的这个函数能模拟计算机的加法过程，哪怕是999+1这种要连续进位的情况也能搞定！''' 手动实现十进制加法，模拟进位逻辑 a、b：两个加数（整数） 返回值：两数之和 ''' def carry_add(a, b): # 把数字反转，方便从个位开始计算（比如123→"321"） a_str = str(a)[::-1] b_str = str(b)[::-1] result = 0 # 最终结果 carry = 0 # 进位标记（0或1） max_len = max(len(a_str), len(b_str)) # 取最长位数，避免漏位 # 逐位计算 for i in range(max_len): # 取出当前位的数字，超出长度就补0 a_digit = int(a_str[i]) if i < len(a_str) else 0 b_digit = int(b_str[i]) if i < len(b_str) else 0 # 当前位总和 = 个位数字和 + 上一位的进位 digit_sum = a_digit + b_digit + carry # 判断是否进位 if digit_sum >= 10: carry = 1 # 满10进1 digit_sum -= 10 # 只保留个位 else: carry = 0 # 无进位 # 把当前位结果加到最终结果里（恢复位数） result += digit_sum * (10 ** i) # 最后还有进位的话，追加到最高位（比如999+1=1000） if carry == 1: result += 10 ** max_len return result # 测试案例，覆盖普通情况和连续进位 print(f"10 + 21 = {carry_add(10, 21)}") # 31 print(f"999 + 1 = {carry_add(999, 1)}") # 1000 print(f"1234 + 5678 = {carry_add(1234, 5678)}") # 69122. 二进制进位加法计算机底层用的是二进制加法，核心是“逢2进1”，和十进制逻辑一样，就是把10换成2而已。搞懂这个，再看位运算加法就通透了！''' 手动实现二进制加法，模拟计算机底层加法逻辑 a_bin、b_bin：二进制字符串（比如"101"） 返回值：二进制和的字符串 ''' def binary_carry_add(a_bin, b_bin): # 反转二进制字符串，从最低位开始算 a_rev = a_bin[::-1] b_rev = b_bin[::-1] result = [] # 存储每一位的结果 carry = 0 # 进位标记（0或1） max_len = max(len(a_rev), len(b_rev)) for i in range(max_len): # 取出当前位，补0 a_bit = int(a_rev[i]) if i < len(a_rev) else 0 b_bit = int(b_rev[i]) if i < len(b_rev) else 0 # 当前位总和 = 位和 + 进位 bit_sum = a_bit + b_bit + carry # 逢2进1 if bit_sum >= 2: carry = 1 bit_sum -= 2 else: carry = 0 result.append(str(bit_sum)) # 最后有进位就加上 if carry == 1: result.append("1") # 反转回来，得到最终二进制字符串 return ''.join(result[::-1]) # 测试案例 print(f"101（5） + 110（6） = {binary_carry_add('101', '110')}") # 1011（11） print(f"111（7） + 1（1） = {binary_carry_add('111', '1')}") # 1000（8）总结位运算直接操作二进制，比普通运算快，重点记&判断奇偶、^交换变量、<<>>等价乘除2ⁿ；等差数列求和别用循环，套公式：基础版$S = n×(a1+an)//2$，通用版加个公差d就行；加法的核心是进位，十进制逢10进1，二进制逢2进1，手动实现一遍就能懂计算机加法的底层逻辑。
0:00