Python微积分可视化：从导数到积分的交互式教学工具

---

一、引言

微积分是理解自然科学的基础，但抽象的导数、积分概念常让初学者感到困惑。本文基于Matplotlib开发一套微积分可视化工具，通过动态图像直观展示导数的几何意义、积分的近似计算及跨学科应用，帮助读者建立"数值-图形-物理意义"的多维认知。

二、导数可视化：切线与变化率

2.1 导数的几何意义

导数表示函数在某点的瞬时变化率，几何上对应函数图像在该点的切线斜率。
核心公式：
$$f^{\prime }(x_0)=\underset{h\to 0}{\lim }\frac{f(x_0+h)-f(x_0)}{h}$$

2.2 单一点导数可视化

def plot_derivative(f, df, x_range=(-5, 5), x0=1):
    # 生成函数数据
    x = np.linspace(x_range[0], x_range[1], 500)
    y = f(x)
    
    # 绘制原函数
    plt.plot(x, y, "b-", label=f"$f(x) = {
     get_function_label(f)}$")
    
    # 计算切线
    y0 = f(x0)
    slope = df(x0)
    tangent_x = np.linspace(x0-1.5, x0+1.5, 50)
    tangent_y = slope*(tangent_x - x0) + y0
    plt.plot(tangent_x, tangent_y, "r--", label=f"切线: 斜率={
     slope:.2f}")
    
    # 标记切点
    plt.plot(x0, y0, "ro", markersize=8)
    plt.annotate(f"切点: ({
     x0:.1f}, {
     y0:.1f})", xy=(x0,y0), xytext=(x0+0.5,y0-1), 
                 arrowprops=dict(arrowstyle="->"))

示例：二次函数f(x)=x²在x=1.5处的导数

def f_quad(x): return x**2
def df_quad(x): return 2*x
plot_derivative(f_quad, df_quad, x0=1.5)

2.3 动态切线动画

通过FuncAnimation展示切点移动时切线的变化，直观理解导数值的连续性。

def create_tangent_animation(f, df, x_range=(-3,3)):
    x0_values = np.linspace(x_range[0]+0.5, x_range[1]-0.5, 30)
    fig, ax = plt.subplots()
    
    # 初始化图像元素
    function_line, = ax.plot([], [], "b-", label="f(x)")
    tangent_line, = ax.plot([], [], "r--", label="切线")
    point, = ax.plot([], [], "ro")
    
    def update(frame):
        x0 = x0_values[frame]
        y0 = f(x0)
        slope = df(x0)
        
        # 更新切线数据
        tangent_x = np.linspace(x0-1.2, x0+1.2, 50)
        tangent_y = slope*(tangent_x - x0) + y0
        tangent_line.set_data(tangent_x, tangent_y)
        
        # 更新切点
        point.set_data(x0, y0)
        return tangent_line, point
    
    anim = FuncAnimation(fig, update, frames=len(x0_values), interval=200)
    anim.save("tangent_animation.gif", writer="pillow")

正弦函数切线动画效果

三、积分可视化：面积与累积量

3.1 黎曼和：积分的数值逼近

通过矩形面积之和近似函数下方的面积，分为左端点、右端点、中点三种方法。
核心公式：
$${\int }_a^{b}f(x)dx\approx \sum _{i=1}^{n}f(x_i^{\ast })\Delta x$$

3.2 黎曼和可视化函数

def plot_riemann_sum(f, interval=(0,2), n_rectangles=5, method="left"):
    a, b = interval
    dx = (b - a)/n_rectangles
    
    # 绘制函数曲线
    x = np.linspace(a-0.5, b+0.5, 500)
    plt.plot(x, f(x), "b-", label=f"$f(x) = {
     get_function_label(f)}$")
    
    # 绘制矩形
    for i in range(n_rectangles):
        x_left = a + i*dx
        x_right = x_left + dx
        if method == "left": x_val = x_left
        elif method == "right": x_val = x_right
        else: x_val = (x_left + x_right)/2
        height = f(x_val)
        
        rect = plt.Rectangle((x_left, 0), dx