动机

数学建模竞赛中，参赛者最常遇到的困境不是"不会公式"，而是"不知道怎么把公式变成代码跑出来"。学了高等数学、线性代数、概率论，知道 ARIMA 的概念、知道什么是线性规划、了解 K-Means 的思想，但比赛拿到题目后，面对空白的 Python 编辑器仍然不知从何下手。

本系列教程的定位正是填补数学公式与可运行代码之间的鸿沟。我们不推导算法的数学证明，而是聚焦于：给你一个明确的建模问题，告诉你用哪个 Python 库、怎么写代码、结果怎么解读、图表怎么画到论文里。

选择 Python 作为载体，是因为它拥有最成熟的科学计算生态——每个库解决一类明确的建模问题，安装即用，学完就能上场比赛。以"库"为纲组织内容，是因为这是最贴近实战的学习方式：遇到规划问题就去 PuLP 篇查模板，遇到时间序列就去 statsmodels 篇套流程。

系列全景

本系列目前包含 11 篇教程，覆盖从数据导入到模型求解到论文配图的完整流程：

层级	篇目	核心库	解决什么问题
入门	Python 环境配置指南	—	从零搭建开发环境
入门	Matplotlib 绘图入门	matplotlib	论文配图与结果可视化
入门	NumPy 和 Pandas 数据处理	numpy, pandas	数据清洗与探索性分析
基础	PuLP 求解规划模型	pulp	线性规划、整数规划精确求解
基础	Statsmodels 求解回归模型	statsmodels	统计推断、显著性分析、模型诊断
基础	Scikit-learn 聚类与主成分分析	scikit-learn	无监督学习、聚类分析、降维
基础	SciPy 求解微分方程数值解	scipy.integrate	动态系统、传染病模型、振动问题
基础	Statsmodels 求解时间序列模型	statsmodels.tsa	ARIMA、SARIMA、指数平滑等经典时序预测
提高	Scikit-learn 传统机器学习模型	scikit-learn	线性回归、逻辑回归、SVM、随机森林等监督学习
提高	SciPy 智能优化	scipy.optimize	无约束优化、约束优化、差分进化、模拟退火
提高	机器学习与深度学习时间序列预测	xgboost, lightgbm, torch	XGBoost、LSTM、GRU、TCN 等复杂非线性时序预测

这些篇目之间是互补而非替代的关系。例如：

每篇教程都遵循统一的结构：前言导读 → 概念简述 → API 详解 → 实战案例 → 速查表。

根据你的基础和目标，推荐三条学习路径：

零基础路线（刚接触 Python）：环境配置 → Matplotlib → NumPy/Pandas → 按需选读基础篇各章。这三篇是所有后续内容的前置基础，建议完整通读。

有基础路线（会用 pandas，参加过一次数模）：跳过入门篇，直接进基础篇。按你常遇到的赛题类型选读——规划题看 PuLP、预测题看 statsmodels 时间序列、分类题看 sklearn 机器学习、动态系统看 SciPy 微分方程。

进阶路线（已有基线模型，想提升效果）：重点学习提高篇三篇。推荐先掌握 XGBoost/LightGBM 树模型（上手快、效果好），再学习 scipy.optimize 的全局优化方法（差分进化、模拟退火），最后根据赛题需要选读 LSTM/GRU/TCN 深度学习模型。

各篇内部的章节相对独立，支持"工具书用法"——比赛时直接跳到对应章节查找代码模板，替换数据即可套用。

本系列教程是持续拓展的。目前的内容已经覆盖了数据处理、可视化、回归、分类、聚类、降维、规划、微分方程、时间序列等主要建模方向，但数学建模涉及的工具和方法远不止于此。

如果你在阅读后有任何想补充的内容方向——比如图论与网络分析、灰色预测模型、马尔可夫链、模糊综合评价、元胞自动机、蒙特卡洛模拟、博弈论模型、排队论，或者其他任何你觉得实用但本系列尚未覆盖的方法——欢迎在评论区提出你的需求。

本系列会根据读者的反馈不断扩展，目标是成为一份真正全面的数模 Python 工具手册。