scipy.optimize.root 是求解非线性方程组的实际首选，numpy 本身不提供该功能；np.roots 和 np.linalg.solve 分别仅适用于一元多项式和线性方程组，误用将导致报错或错误结果。
scipy.optimize.root 是实际首选，NumPy 本身不提供非线性方程组求解器
NumPy 没有内置函数（如 numpy.solve_nonlinear）求解非线性方程组；它只负责高效数组运算。真正干活的是 scipy.optimize.root——它依赖 NumPy 数组作为输入/输出，但核心算法（如 ‘hybr’、‘lm’、‘broyden1’）由 SciPy 实现。
常见错误现象：直接搜索 “numpy nonlinear solve” 后尝试调用 np.roots 或 np.linalg.solve，结果报错 LinAlgError 或解完全偏离——因为这两个函数只处理多项式单变量和线性方程组。
-
np.roots仅适用于一元多项式（如x**2 - 2*x + 1），且返回所有复根，不支持多变量或任意非线性函数 -
np.linalg.solve严格要求方程是线性的（A @ x == b形式），对sin(x) + y**2类表达式无能为力 - 若硬用 NumPy 手写牛顿法，需手动计算雅可比矩阵，易出错且无收敛保障；
scipy.optimize.root内置数值微分和回溯策略，更鲁棒
用 root 求解二维非线性方程组的最小可行示例
以经典方程组为例：f1(x, y) = x**2 + y**2 - 1（单位圆），f2(x, y) = x**2 - y（抛物线）。目标是找交点。
关键在于把方程组写成「函数返回零向量」的形式：
import numpy as np from scipy.optimize import root <p>def system(vars): x, y = vars return [x<strong>2 + y</strong>2 - 1, # f1 == 0 x**2 - y] # f2 == 0</p><p>sol = root(system, x0=[0.5, 0.5]) # 初始猜测很重要 print(sol.x) # 输出近似解，如 [0.786 0.618]</p>
-
x0是必需参数，不是可选；不同初值可能导致不同解（本例有多个交点）或不收敛 - 函数
system必须接收一维 NumPy 数组（长度=变量数），返回等长列表或np.ndarray - 默认方法 ‘hybr’ 调用 MINPACK 的 HYBRD（修正 Powell 法），适合中小规模；若函数含大量计算，可试 ‘broyden1’ 减少函数调用次数
雅可比矩阵显式提供能显著提升精度和速度
当解析雅可比可用时，传入 jac 参数几乎总是值得的——尤其对方程敏感或初值离真解较远的情况。
对上面的 system，其雅可比为：
∂f1/∂x = 2x, ∂f1/∂y = 2y
∂f2/∂x = 2x, ∂f2/∂y = -1
def jacobian(vars):
x, y = vars
return np.array([[2*x, 2*y],
[2*x, -1]])
<p>sol = root(system, x0=[0.5, 0.5], jac=jacobian, method='hybr')</p>
- 返回的雅可比必须是 shape == (n, n) 的二维
np.ndarray，行对应方程，列对应变量 - 若用 ‘lm’（Levenberg-Marquardt）方法，
jac是强制要求的；不提供会报ValueError: Jacobian was not provided - 数值近似雅可比（默认）在函数噪声大或尺度差异大时容易失准；解析雅可比避免了步长选取问题
收敛失败时优先检查初值、缩放和函数定义
sol.converged == False 或 sol.flag == 0 很常见，但原因往往很具体：
- 初值
x0离真实解太远：试试网格搜索几个候选点，或用符号工具（如sympy.nsolve）给个粗略起点 - 变量量纲差异极大（如 x 在 1e-9 量级，y 在 1e6 量级）：用
root(..., options={'xtol': 1e-12})不够，应先对变量做归一化（如传入[x*1e9, y*1e-6]） - 函数返回非有限值（
nan或inf）：在system开头加assert np.all(np.isfinite(vars))，并检查如log(x)是否被负数触发 - 方程本身无实数解：用
np.linspace绘制等高线（plt.contour）直观确认解是否存在
非线性求解没有银弹——每次失败都得回到函数行为、初值合理性、数值稳定性这三点上排查。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
