企业官网建设流程全解析

SciPy 1.3.2 维护版本全解析：Python 3.8 支持与 14 项关键 Bug 修复

【免费下载链接】scipySciPy library main repository项目地址: https://gitcode.com/gh_mirrors/sc/scipy

SciPy 1.3.2 是 1.3.x 系列的一个重要 bug-fix 与维护版本，其核心使命是为当时新发布的 Python 3.8 提供正式支持，并集中修复了信号处理、优化、稀疏矩阵、统计等多个子模块中报告的十余个缺陷。阅读本文后，你将全面了解该版本修复的每一个具体问题、对应的底层根因、以及这些修复在 SciPy 源码中的落点，能够据此评估升级收益、规避同类陷阱，并为排查相关问题提供直接线索。

本文内容以官方发布说明 doc/source/release/1.3.2-notes.rst 为主体骨架，结合当前仓库源码与测试用例进行深度印证与扩充。

一、版本定位：Bug-fix 与维护更新

根据官方发布说明，SciPy 1.3.2 的定位非常明确：

SciPy 1.3.2 is a bug-fix and maintenance release that adds support for Python 3.8.

即：这是一个纯缺陷修复与维护型版本，不带入任何新功能，唯一的"新能力"是对 Python 3.8 的正式支持。对于仍停留在 1.3.x 分支的存量用户而言，该版本相当于一个"安全补丁包 + 新 Python 版本适配包"，升级风险极低，收益明确。

从维护内容看，该版本横跨了以下子模块与工程维度：

二、scipy.signal：unique_roots 根分组修复

2.1 问题背景（Issue #4915）

scipy.signal.unique_roots是一个从根列表中确定"唯一根及其重数"的实用函数，在部分分式展开（residue/invres）等场景中承担着关键角色。Issue #4915 报告了该函数在特定根组合下的分组错误：当多个根相互靠近（距离小于容差tol）时，函数的输出与预期不符。

2.2 源码落点与修复方式（PR #10961）

修复后的实现位于 scipy/signal/_signaltools.py。其核心算法在修复后稳定采用"基于cKDTree的贪心分组"策略：

1. 将复数根p拆分为实部与虚部，构造二维点集；
2. 使用cKDTree构建空间索引；
3. 对每个尚未使用的根，调用tree.query_ball_point(points[i], tol)找出其容差范围内的邻域根集合；
4. 按rtype指定的归约规则（max/min/avg）合并该组根，并统计重数。

实现中有两点值得注意的设计细节：

• 分组不具传递性：文档中明确说明，若a与b接近、b与c接近，不代表a与c接近，因此分组结果依赖输入顺序，采用"按输入顺序贪心分组"；
• 复数比较规则：当rtype为max/min时，复数根先按实部比较、再按虚部比较。

unique_roots的完整签名及参数含义如下：

unique_roots(p, tol=1e-3, rtype='min')

官方文档中的典型用法：

>>> from scipy import signal >>> vals = [0, 1.3, 1.31, 2.8, 1.25, 2.2, 10.3] >>> uniq, mult = signal.unique_roots(vals, tol=2e-2, rtype='avg') >>> uniq[mult > 1] array([1.305])

三、scipy.optimize：三个关键行为修复

3.1 NaN 最小值不再误报成功（Issue #5161，PR #10756）

Issue #5161 报告了一个隐蔽且危险的缺陷：当目标函数的最小值本身是 NaN 时，部分优化器仍然返回success=True，导致用户在完全无效的数值上继续下游计算。PR #10756 修复了该问题，核心改动是确保求解器在目标函数值为 NaN 时以success=False退出，避免对 NaN 结果做出"成功"的误判。

该修复直接关乎 scipy/optimize 下众多求解器的终止条件判断逻辑。在数值优化实践中，这一改动具有重要意义：它把"算法达到收敛条件"与"计算结果数值有效"两个维度区分开来，NaN 结果一律不得被视为优化成功。

3.2 root_scalar 与 functools.lru_cache 的兼容性（Issue #10846，PR #10891）

Issue #10846 报告：当用户向root_scalar传入一个被functools.lru_cache装饰的目标函数时，求解会失败。根因在于 C 层实现的标量求根器在每次调用f时复用同一个args元组对象，而有状态的lru_cache装饰器会持有对该元组的引用，导致缓存键混乱。

修复落点位于 scipy/optimize/_zerosmodule.c。修复后，C 层代码在每次调用目标函数前都会重新构造一个全新的args元组（将当前迭代点x作为第一个参数、其余参数依次复制），源码注释明确写道：

Need to create a new 'args' tuple on each call in case 'f' is stateful and keeps references to it (e.g. functools.lru_cache)

这一改动对brentq、brenth、ridder、bisect、toms748等所有 C 实现的标量求根器均生效。对应的回归测试位于 scipy/optimize/tests/test_zeros.py：

@lru_cache def f_lrucached(x): return x @pytest.mark.parametrize('method', bracket_methods) def test_lru_cached_individual(self, method): # check that https://github.com/scipy/scipy/issues/10846 is fixed a, b = -1, 1 root, r = method(f_lrucached, a, b, full_output=True) assert r.converged assert_allclose(root, 0)

实战启示：在使用lru_cache对目标函数做记忆化加速时，SciPy 的 C 层求根器从 1.3.2 起可以安全配合使用。

3.3 linprog revised simplex 文档测试修复（Issue #10124，PR #10498）

Issue #10124 指出linprog(method='revised simplex')的 doctest 存在缺陷——当用户以"disp": True方式开启显示输出时，修订单纯形法的行为与文档示例不一致。PR #10498（TST: optimize: fixed linprog "disp": True bug）修复了该问题，属于测试与文档一致性的修正，相关实现位于 scipy/optimize/_linprog.py 及其修订单纯形法模块 scipy/optimize/_linprog_simplex.py。

四、scipy.sparse 与稀疏线性代数：四项底层修复

4.1 expm 支持 np.matrix 输入（Issue #5546，PR #10906）

Issue #5546 报告：scipy.sparse.linalg.expm在接收np.matrix类型输入时抛出ValueError。修复（BUG: sparse/linalg: fix expm for np.matrix inputs）位于 scipy/sparse/linalg/_matfuncs.py。expm采用 Al-Mohy 与 Higham（2009）的 Scaling and Squaring 算法（算法 6.1，即 5.1 的简化版），此前对np.matrix的维度/类型校验过于严格。修复后该函数可正确接受np.matrix、密集数组与稀疏数组等多种 2D 输入：

from scipy.sparse import csc_array from scipy.sparse.linalg import expm A = csc_array([[1, 0, 0], [0, 2, 0], [0, 0, 3]]) Aexp = expm(A) # 返回 CSC 稀疏数组

4.2 CSR 矩阵花式索引赋值修复（Issue #10695，PR #10700）

Issue #10695 报告了csr_matrix在使用花式索引（fancy indexing）赋值时出现的错误。修复（BUG: sparse: Loosen checks on sparse fancy assignment）适当放宽了对稀疏数组赋值的检查逻辑，相关实现位于 scipy/sparse/_csr.py 与底层索引机制 scipy/sparse/_index.py。

4.3 Floyd-Warshall 支持零权边（Issue #10609，PR #10709）

Issue #10609 揭示了一个影响图算法正确性的缺陷：scipy.sparse.csgraph中基于 Floyd-Warshall 的最短路算法会把显式的零权边错误地当作"无边"处理并丢弃，导致最短路结果失真。

修复（BUG: Fix floyd_warshall to support zero-weight edges）位于 scipy/sparse/csgraph/_shortest_path.pyx。该模块中的shortest_path与floyd_warshall是图论计算的底层支撑，零权边（如"免费通行"的路径）在建模中非常常见，此修复保证了权重为零的边与"无连接"（稀疏矩阵中的缺失项）被严格区分。

4.4 ARPACK 复数 Hermitian 求解修复（PR #10882）

PR #10882（BUG: sparse/arpack: fix incorrect code for complex hermitian...）修复了 ARPACK 特征值求解器在复数 Hermitian 问题上的不正确代码路径。这属于稀疏特征值计算 scipy/sparse/linalg/_eigen 相关实现中的底层修正，直接影响eigsh对复数 Hermitian 矩阵的求解正确性。

五、scipy.stats：非中心 F 分布方差公式修正

5.1 问题背景（Issue #10658，PR #10671）

Issue #10658 报告：非中心 F 分布（noncentral F distribution）的方差公式存在错误。作为参数估计、假设检验等统计推断的基础，方差公式错误会直接污染置信区间与检验统计量的计算。

修复（BUG: stats: Fix the formula for the variance of the noncentral F distribution）更新了 scipy/stats/_continuous_distns.py 中ncf_gen分布的方差计算实现。

5.2 回归测试佐证

当前仓库中保留了针对该修复的回归测试 scipy/stats/tests/test_distributions.py：

def test_ncf_variance(): # Regression test for gh-10658 (incorrect variance formula for ncf). # The correct value of ncf.var(2, 6, 4), 42.75, can be verified with, # for example, Wolfram Alpha with the expression # Variance[NoncentralFRatioDistribution[2, 6, 4]] # or with the implementation of the noncentral F distribution in the C++ # library Boost. v = stats.ncf.var(2, 6, 4) assert_allclose(v, 42.75, rtol=1e-14)

测试表明，修复后ncf.var(2, 6, 4)的精确期望值为42.75（与 Wolfram Alpha、Boost C++ 库实现交叉验证）。这是 1.3.2 中为数不多的"数值结果可精确断言"的修复，充分体现了数值正确性修复的严谨性。

5.3 文档拼写修正（Issue #10976，PR #10977）

PR #10977（DOC: Fix typo in sp.stats.wilcoxon docstring）修正了scipy.stats.wilcoxon文档字符串中的拼写错误。尽管是小修，但体现了该版本对 API 文档质量的维护。

六、scipy.linalg：subspace_angles 支持复数输入

PR #10833（BUG: Fix subspace_angles for complex values）修复了scipy.linalg.subspace_angles在复数矩阵输入下的计算错误。该函数用于计算两个矩阵列空间之间的主夹角，实现在 scipy/linalg/_decomp_svd.py，基于 SVD 分解计算，返回形状为(min(N, K),)的降序夹角数组：

def subspace_angles(A, B): """ Compute the subspace angles between two matrices. ... angles : ndarray, shape (min(N, K),) The subspace angles between the column spaces of `A` and `B` in descending order. """

复数版本的修复对量子计算、信号子空间分析等依赖复数子空间度量的领域尤为关键。

七、Python 3.8 支持与构建维护

1.3.2 版本的另一条主线是 Python 3.8 适配，涉及从 CI 到构建配置的一揽子改动：

同时修复了两个平台相关构建问题：

• Issue #10902 / PR #10917：Travis 上的 macOS（osx）构建失败，通过 CI 配置修正解决；
• Issue #10967：macOS 上SuperLU的构建失败（发生于 maintenance/1.3.x 分支），属于平台相关的底层库编译问题。

此外 PR #11025 对 scipy/signal/_peak_finding.py 进行了更新，完善了峰值查找相关代码。

八、完整修复清单：Issues 与 Pull Requests

8.1 本版本关闭的 Issues

8.2 本版本合入的 Pull Requests

九、版本贡献者与升级建议

9.1 贡献者名单

本版本共有14 位贡献者参与（名单由工具自动生成，可能不完全）：CJ Carey、Dany Vohl、Martin Gauch（+）、Ralf Gommers、Matt Haberland、Eric Larson、Nikolay Mayorov、Sam McCormack（+）、Andrew Nelson、Tyler Reddy、Pauli Virtanen、Huize Wang（+）、Warren Weckesser、Joseph Weston（+）。其中带"+"标记的 4 位（Martin Gauch、Sam McCormack、Huize Wang、Joseph Weston）是首次贡献补丁的新贡献者。

9.2 升级建议

综合本版本内容，以下几点值得关注：

1. Python 3.8 用户应尽快升级：1.3.2 是 1.3.x 系列中首个正式支持 Python 3.8 的版本，配套的 Cython 0.29.13 也完成了适配；
2. 依赖数值正确性的场景优先升级：非中心 F 分布方差公式修正（涉及假设检验与置信区间）、Floyd-Warshall 零权边支持（涉及图算法）、复数subspace_angles（涉及子空间分析）都属于静默性数值错误，在旧版本上不会报错但结果有误，应优先升级并回归验证；
3. 求解器可靠性提升：NaN 不再误报 success、root_scalar支持lru_cache装饰函数，使优化代码在极端输入下更安全、更易集成记忆化加速。

从仓库结构看，本版本的修复痕迹完整保留在 scipy/signal/_signaltools.py、scipy/sparse/csgraph/_shortest_path.pyx、scipy/sparse/linalg/_matfuncs.py、scipy/optimize/_zerosmodule.c、scipy/stats/_continuous_distns.py 等文件中，对应回归测试则分布于 scipy/optimize/tests/test_zeros.py 与 scipy/stats/tests/test_distributions.py 等测试套件中，可作为验证升级正确性的参考锚点。

【免费下载链接】scipySciPy library main repository项目地址: https://gitcode.com/gh_mirrors/sc/scipy