微积分计算通常有两条路线：一是根据导数规则做符号变换，得到精确的导函数表达式；二是在无法获得初等原函数时，把积分区间切成小段，用面积近似求和。前者强调精确性，后者强调通用性。下面先说明两者的算法基础，再给出可直接运行的Python实现。

符号求导的实现基础与SymPy用法

符号求导并不是用很小的差分去近似导数，而是像手算一样递归应用求导规则。程序拿到一个表达式后，会把它拆成表达式树，再根据节点类型套用不同的导数公式。比如遇到乘法节点，就用乘积法则；遇到复合函数节点，就用链式法则。SymPy在处理这类问题时会把数学对象真正当作符号表达式，而不是浮点数数组，因此返回结果是精确的数学形式。

下面这段代码定义了一个包含指数函数、三角函数和多项式的复合表达式，并计算它的一阶与二阶导数。SymPy的diff函数接收表达式、变量和求导阶数，使用起来非常直接。

import sympy as sp
x = sp.Symbol('x')
f = sp.sin(x) * sp.exp(x) + x**3
df = sp.diff(f, x)
d2f = sp.diff(f, x, 2)
print('一阶导数:', df)
print('二阶导数:', d2f)

这段代码会输出一个完整的一阶导数和二阶导数表达式。和一阶导数相比，二阶导数通常会迅速膨胀，这也是符号计算的一个典型特征：结果精确，但表达式可能变得越来越复杂。为了缓解这个问题，可以继续使用sp.simplify或sp.expand对结果进行化简。例如对包含三角函数乘积的导数做化简，有时能把多项和合并成更紧凑的形式。

符号求导的主要优势在于结果可以继续参与后续运算。如果你想求某个点的导数值，可以先用subs替换变量，也可以使用lambdify把符号表达式转换成数值函数，再交给NumPy做批量计算。这种转换在优化算法、神经网络梯度推导和物理仿真中都很常见。不过符号求导也有局限：表达式过于庞大时，内部化简会消耗不少时间和内存，而且它无法处理没有明确解析形式的函数。

数值积分的主要方法与误差特征

数值积分解决的是另一个问题：当被积函数没有初等原函数，或者原函数过于复杂时，如何得到积分值的近似结果。最简单的是矩形法，它把区间等分成若干小区间，每个小区间用矩形面积代替曲边梯形面积。梯形法在此基础上做了改进，用梯形面积代替矩形，精度会更高。辛普森法则进一步使用抛物线插值来逼近每个小区间上的函数曲线，因此对光滑函数的收敛速度更快。

下面代码实现了梯形法和辛普森法。梯形法的误差阶约为步长的平方，而辛普森法的误差阶约为步长的四次方。这意味着当区间数翻倍时，梯形法的误差大约缩小到原来的四分之一，而辛普森法的误差大约缩小到十六分之一。

def trapezoid(f, a, b, n):
    h = (b - a) / n
    total = 0.5 * (f(a) + f(b))
    for i in range(1, n):
        total += f(a + i * h)
    return total * h
def simpson(f, a, b, n):
    if n % 2 == 1:
        n += 1
    h = (b - a) / n
    total = f(a) + f(b)
    for i in range(1, n):
        x = a + i * h
        total += f(x) * (2 if i % 2 == 0 else 4)
    return total * h / 3
f = lambda x: x**2
print(trapezoid(f, 0, 1, 100))
print(simpson(f, 0, 1, 100))

从输出结果可以看出，对于二次函数这样的光滑函数，辛普森法在相同区间数下能给出更接近精确值的结果。不过这并不是说辛普森法在所有情况下都最优。如果被积函数存在间断点、尖角或高频振荡，高阶方法反而可能因为插值失真而产生更大误差。此时自适应积分方法更有优势，它能根据函数局部变化自动调整采样密度。

SciPy的quad函数就是典型的自适应积分工具。它基于Gauss-Kronrod公式，会同时返回积分值和误差估计。下面示例计算函数x平方在0到1区间的积分，并输出误差估计。

from scipy.integrate import quad
result, error = quad(lambda x: x**2, 0, 1)
print('积分值:', result)
print('误差估计:', error)

自适应方法会把计算资源集中在函数变化剧烈的区域，而在平缓区域使用较少采样点。与固定步长方法相比，它在保持精度的同时能显著减少函数求值次数。但自适应方法通常只适用于能快速求值的函数；如果函数本身计算代价很高，或者需要一次性获得规则网格上的积分结果，固定步长方法仍然不可替代。

符号求导与数值积分如何组合使用

实际计算中很少只用其中一种方法。一个典型场景是：先用符号求导得到精确导数，再用数值积分处理包含导数项的积分表达式。例如计算曲线长度时，公式中会出现根号下一加导数平方的积分。手动求导容易出错，数值差分又会引入额外误差，而符号求导正好可以补齐这个环节。

下面的代码用SymPy计算正弦函数的导数，构造弧长积分被积函数，再将其转换为NumPy可调用的数值函数，最后用自适应积分求出一段正弦曲线的弧长。

import sympy as sp
from scipy.integrate import quad
import numpy as np
x = sp.Symbol('x')
f_expr = sp.sin(x)
df_expr = sp.diff(f_expr, x)
arc_length_integrand = sp.sqrt(1 + df_expr**2)
f_num = sp.lambdify(x, arc_length_integrand, 'numpy')
length, err = quad(f_num, 0, np.pi)
print('正弦曲线一段弧长:', length)
print('误差估计:', err)

这种组合方式在科学计算中非常普遍。符号求导负责提供精确的解析导数，数值积分负责处理那些无法符号求解的积分。符号计算还可以用来化简被积函数，例如把三角函数恒等式替换成更适合数值求积的形式，或者先做变量代换降低积分奇异性。简化后的表达式再转换成数值函数，往往能显著提高积分精度和收敛速度。

选择算法时需要关注被积函数的光滑程度、区间大小和精度要求。对于光滑且低维的积分，自适应方法通常是最省心的选择；对于高维积分，则要考虑拟蒙特卡洛或稀疏网格方法。遇到导数计算时，优先使用符号求导或自动微分，避免数值差分带来的舍入误差和截断误差。把这两类工具结合起来，可以覆盖大部分微积分计算需求。