主流选择是salib，它专为敏感度分析设计，支持sobol、morris、fast等多种方法，api清晰且文档完善；安装需pip install salib（大小写敏感），必须用saltelli.sample生成准随机样本才能准确计算s1和st等标准化敏感性指数。
敏感度分析该用哪个Python库？
主流选择是 Salib，它专为敏感度分析设计，支持Sobol、Morris、FAST等多种方法，API清晰且文档完善。别用 scipy 或手写循环——这些不提供标准化敏感度指标（如一阶/总效应指数），容易漏掉交互项影响。
安装只需：
pip install SALib注意不是
saliB 或 SALIB（大小写敏感，否则导入失败）。
怎么构造输入样本并运行Sobol分析？
Sobol法需要特定的准随机样本（非均匀随机抽样），不能直接用 numpy.random。必须用 Salib.sample.saltelli 生成，否则计算出的 Si['S1'] 和 Si['ST'] 会严重失真。
- 先定义参数范围：
problem = {'num_vars': 3, 'names': ['x1', 'x2', 'x3'], 'bounds': [[0, 1], [0, 2], [-1, 1]]} - 生成样本：
param_values = saltelli.sample(problem, 1024)（第二参数是采样倍数，建议 ≥1024） - 把
param_values输入你的模型，得到输出数组Y（必须是一维，长度与param_values行数一致） - 计算敏感度：
Si = sobol.analyze(problem, Y)
输出结果里哪些字段真正有用？
Si['S1'] 是一阶效应指数（单变量独立影响），Si['ST'] 是总效应指数（含所有交互项）。二者差距大，说明该变量参与强交互——这点常被忽略。而 Si['S2'] 是二阶交互矩阵，维度为 n×n，但只在明确需定位具体交互对时才查，日常评估看 S1 和 ST 足够。
注意：如果 ST 明显高于 S1（比如差值 >0.1），别急着说“变量重要”，得检查模型是否在该变量区间内存在非线性跃变或条件分支——敏感度高可能只是模型局部病态，不是真实物理意义。
为什么Morris方法有时比Sobol更实用？
当模型运行一次耗时 >1秒，或输入维度 >20 时，Sobol 的样本量会爆炸（saltelli.sample 输出行数 ≈ 2×(d+2)×N），Morris 就成了实际选择。它用轨迹抽样，样本量仅与维度线性相关。
调用差异很小：param_values = morris.sample(problem, 1000)，再用 morris.analyze(problem, param_values, Y)。返回的 mu_star 表示总体影响大小，sigma 反映非线性/交互程度——sigma 高但 mu_star 低的变量，往往是“只在特定组合下起作用”的隐藏关键因子。
别跳过重复运行：Morris 结果受轨迹起点影响，建议设 repeat=5 参数取均值，否则单次运行可能误判低敏感变量。
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！
