sympy

SymPy - Python 中的符号数学

概述

SymPy 是一个用于符号数学的 Python 库，它支持使用数学符号进行精确计算，而非数值近似。本技能为使用 SymPy 进行符号代数、微积分、线性代数、方程求解、物理计算和代码生成提供了全面的指导。

何时使用本技能

在以下情况下使用本技能：

• 符号求解方程（代数方程、微分方程、方程组）
• 执行微积分运算（导数、积分、极限、级数）
• 操作和化简代数表达式
• 符号化地处理矩阵和线性代数
• 进行物理计算（力学、量子力学、向量分析）
• 数论计算（素数、因式分解、模运算）
• 几何计算（2D/3D 几何、解析几何）
• 将数学表达式转换为可执行代码（Python、C、Fortran）
• 生成 LaTeX 或其他格式化的数学输出
• 需要精确的数学结果（例如 sqrt(2) 而非 1.414...）

核心能力

1. 符号计算基础

创建符号和表达式：

from sympy import symbols, Symbol
x, y, z = symbols('x y z')
expr = x**2 + 2*x + 1

# With assumptions
x = symbols('x', real=True, positive=True)
n = symbols('n', integer=True)

化简与操作：

from sympy import simplify, expand, factor, cancel
simplify(sin(x)**2 + cos(x)**2)  # Returns 1
expand((x + 1)**3)  # x**3 + 3*x**2 + 3*x + 1
factor(x**2 - 1)    # (x - 1)*(x + 1)

详细基础知识： 参见 references/core-capabilities.md

2. 微积分

导数：

from sympy import diff
diff(x**2, x)        # 2*x
diff(x**4, x, 3)     # 24*x (third derivative)
diff(x**2*y**3, x, y)  # 6*x*y**2 (partial derivatives)

积分：

from sympy import integrate, oo
integrate(x**2, x)              # x**3/3 (indefinite)
integrate(x**2, (x, 0, 1))      # 1/3 (definite)
integrate(exp(-x), (x, 0, oo))  # 1 (improper)

极限与级数：

from sympy import limit, series
limit(sin(x)/x, x, 0)  # 1
series(exp(x), x, 0, 6)  # 1 + x + x**2/2 + x**3/6 + x**4/24 + x**5/120 + O(x**6)

详细微积分运算： 参见 references/core-capabilities.md

3. 方程求解

代数方程：

from sympy import solveset, solve, Eq
solveset(x**2 - 4, x)  # {-2, 2}
solve(Eq(x**2, 4), x)  # [-2, 2]

方程组：

from sympy import linsolve, nonlinsolve
linsolve([x + y - 2, x - y], x, y)  # {(1, 1)} (linear)
nonlinsolve([x**2 + y - 2, x + y**2 - 3], x, y)  # (nonlinear)

微分方程：

from sympy import Function, dsolve, Derivative
f = symbols('f', cls=Function)
dsolve(Derivative(f(x), x) - f(x), f(x))  # Eq(f(x), C1*exp(x))

详细求解方法： 参见 references/core-capabilities.md

4. 矩阵与线性代数

矩阵创建与运算：

from sympy import Matrix, eye, zeros
M = Matrix([[1, 2], [3, 4]])
M_inv = M**-1  # Inverse
M.det()        # Determinant
M.T            # Transpose

特征值与特征向量：

eigenvals = M.eigenvals()  # {eigenvalue: multiplicity}
eigenvects = M.eigenvects()  # [(eigenval, mult, [eigenvectors])]
P, D = M.diagonalize()  # M = P*D*P^-1

求解线性方程组：

A = Matrix([[1, 2], [3, 4]])
b = Matrix([5, 6])
x = A.solve(b)  # Solve Ax = b

全面的线性代数内容： 参见 references/matrices-linear-algebra.md

5. 物理与力学

经典力学：

from sympy.physics.mechanics import dynamicsymbols, LagrangesMethod
from sympy import symbols

# Define system
q = dynamicsymbols('q')
m, g, l = symbols('m g l')

# Lagrangian (T - V)
L = m*(l*q.diff())**2/2 - m*g*l*(1 - cos(q))

# Apply Lagrange's method
LM = LagrangesMethod(L, [q])

向量分析：

from sympy.physics.vector import ReferenceFrame, dot, cross
N = ReferenceFrame('N')
v1 = 3*N.x + 4*N.y
v2 = 1*N.x + 2*N.z
dot(v1, v2)  # Dot product
cross(v1, v2)  # Cross product

量子力学：

from sympy.physics.quantum import Ket, Bra, Commutator
psi = Ket('psi')
A = Operator('A')
comm = Commutator(A, B).doit()

详细物理能力： 参见 references/physics-mechanics.md

6. 高等数学

本技能包含对以下内容的全面支持：

• 几何： 2D/3D 解析几何、点、线、圆、多边形、变换
• 数论： 素数、因式分解、GCD/LCM、模运算、丢番图方程
• 组合数学： 排列、组合、划分、群论
• 逻辑与集合： 布尔逻辑、集合论、有限集与无限集
• 统计学： 概率分布、随机变量、期望、方差
• 特殊函数： Gamma、Bessel、正交多项式、超几何函数
• 多项式： 多项式代数、根、因式分解、Groebner 基

详细高等主题： 参见 references/advanced-topics.md

7. 代码生成与输出

转换为可执行函数：

from sympy import lambdify
import numpy as np

expr = x**2 + 2*x + 1
f = lambdify(x, expr, 'numpy')  # Create NumPy function
x_vals = np.linspace(0, 10, 100)
y_vals = f(x_vals)  # Fast numerical evaluation

生成 C/Fortran 代码：

from sympy.utilities.codegen import codegen
[(c_name, c_code), (h_name, h_header)] = codegen(
    ('my_func', expr), 'C'
)

LaTeX 输出：

from sympy import latex
latex_str = latex(expr)  # Convert to LaTeX for documents

全面的代码生成： 参见 references/code-generation-printing.md

使用 SymPy：最佳实践

1. 始终先定义符号

from sympy import symbols
x, y, z = symbols('x y z')
# Now x, y, z can be used in expressions

2. 使用假设以获得更好的化简效果

x = symbols('x', positive=True, real=True)
sqrt(x**2)  # Returns x (not Abs(x)) due to positive assumption

常见假设：real、positive、negative、integer、rational、complex、even、odd

3. 使用精确算术

from sympy import Rational, S
# Correct (exact):
expr = Rational(1, 2) * x
expr = S(1)/2 * x

# Incorrect (floating-point):
expr = 0.5 * x  # Creates approximate value

4. 在需要时进行数值求值

from sympy import pi, sqrt
result = sqrt(8) + pi
result.evalf()    # 5.96371554103586
result.evalf(50)  # 50 digits of precision

5. 转换为 NumPy 以提升性能

# Slow for many evaluations:
for x_val in range(1000):
    result = expr.subs(x, x_val).evalf()

# Fast:
f = lambdify(x, expr, 'numpy')
results = f(np.arange(1000))

6. 使用合适的求解器

• solveset：代数方程（首选）
• linsolve：线性方程组
• nonlinsolve：非线性方程组
• dsolve：微分方程
• solve：通用（旧版，但灵活）

参考文件结构

本技能针对不同能力使用模块化参考文件：

1. core-capabilities.md：符号、代数、微积分、化简、方程求解

   • 加载时机：基础符号计算、微积分或求解方程

2. matrices-linear-algebra.md：矩阵运算、特征值、线性方程组

   • 加载时机：处理矩阵或线性代数问题

3. physics-mechanics.md：经典力学、量子力学、向量、单位

   • 加载时机：物理计算或力学问题

4. advanced-topics.md：几何、数论、组合数学、逻辑、统计学

   • 加载时机：超越基础代数和微积分的高级数学主题

5. code-generation-printing.md：Lambdify、代码生成、LaTeX 输出、打印

   • 加载时机：将表达式转换为代码或生成格式化输出

常见用例模式

模式 1：求解并验证

from sympy import symbols, solve, simplify
x = symbols('x')

# Solve equation
equation = x**2 - 5*x + 6
solutions = solve(equation, x)  # [2, 3]

# Verify solutions
for sol in solutions:
    result = simplify(equation.subs(x, sol))
    assert result == 0

模式 2：符号到数值流水线

# 1. Define symbolic problem
x, y = symbols('x y')
expr = sin(x) + cos(y)

# 2. Manipulate symbolically
simplified = simplify(expr)
derivative = diff(simplified, x)

# 3. Convert to numerical function
f = lambdify((x, y), derivative, 'numpy')

# 4. Evaluate numerically
results = f(x_data, y_data)

模式 3：记录数学结果

# Compute result symbolically
integral_expr = Integral(x**2, (x, 0, 1))
result = integral_expr.doit()

# Generate documentation
print(f"LaTeX: {latex(integral_expr)} = {latex(result)}")
print(f"Pretty: {pretty(integral_expr)} = {pretty(result)}")
print(f"Numerical: {result.evalf()}")

与科学工作流集成

配合 NumPy

import numpy as np
from sympy import symbols, lambdify

x = symbols('x')
expr = x**2 + 2*x + 1

f = lambdify(x, expr, 'numpy')
x_array = np.linspace(-5, 5, 100)
y_array = f(x_array)

配合 Matplotlib

import matplotlib.pyplot as plt
import numpy as np
from sympy import symbols, lambdify, sin

x = symbols('x')
expr = sin(x) / x

f = lambdify(x, expr, 'numpy')
x_vals = np.linspace(-10, 10, 1000)
y_vals = f(x_vals)

plt.plot(x_vals, y_vals)
plt.show()

配合 SciPy

from scipy.optimize import fsolve
from sympy import symbols, lambdify

# Define equation symbolically
x = symbols('x')
equation = x**3 - 2*x - 5

# Convert to numerical function
f = lambdify(x, equation, 'numpy')

# Solve numerically with initial guess
solution = fsolve(f, 2)

快速参考：最常用的函数

# Symbols
from sympy import symbols, Symbol
x, y = symbols('x y')

# Basic operations
from sympy import simplify, expand, factor, collect, cancel
from sympy import sqrt, exp, log, sin, cos, tan, pi, E, I, oo

# Calculus
from sympy import diff, integrate, limit, series, Derivative, Integral

# Solving
from sympy import solve, solveset, linsolve, nonlinsolve, dsolve

# Matrices
from sympy import Matrix, eye, zeros, ones, diag

# Logic and sets
from sympy import And, Or, Not, Implies, FiniteSet, Interval, Union

# Output
from sympy import latex, pprint, lambdify, init_printing

# Utilities
from sympy import evalf, N, nsimplify

入门示例

示例 1：求解二次方程

from sympy import symbols, solve, sqrt
x = symbols('x')
solution = solve(x**2 - 5*x + 6, x)
# [2, 3]

示例 2：计算导数

from sympy import symbols, diff, sin
x = symbols('x')
f = sin(x**2)
df_dx = diff(f, x)
# 2*x*cos(x**2)

示例 3：计算积分

from sympy import symbols, integrate, exp
x = symbols('x')
integral = integrate(x * exp(-x**2), (x, 0, oo))
# 1/2

示例 4：矩阵特征值

from sympy import Matrix
M = Matrix([[1, 2], [2, 1]])
eigenvals = M.eigenvals()
# {3: 1, -1: 1}

示例 5：生成 Python 函数

from sympy import symbols, lambdify
import numpy as np
x = symbols('x')
expr = x**2 + 2*x + 1
f = lambdify(x, expr, 'numpy')
f(np.array([1, 2, 3]))
# array([ 4,  9, 16])

常见问题排查

1. "NameError: name 'x' is not defined"

   • 解决方法：使用前始终通过 symbols() 定义符号

2. 出现意外的数值结果

   • 问题：使用像 0.5 这样的浮点数，而非 Rational(1, 2)
   • 解决方法：使用 Rational() 或 S() 进行精确运算

3. 循环中性能缓慢

   • 问题：反复使用 subs() 和 evalf()
   • 解决方法：使用 lambdify() 创建快速的数值函数

4. "Can't solve this equation"

   • 尝试不同的求解器：solve、solveset、nsolve（数值）
   • 检查方程是否可代数求解
   • 如果不存在闭式解，使用数值方法

5. 化简未按预期工作

   • 尝试不同的化简函数：simplify、factor、expand、trigsimp
   • 为符号添加假设（例如 positive=True）
   • 使用 simplify(expr, force=True) 进行激进化简

其他资源

• 官方文档：https://docs.sympy.org/
• 教程：https://docs.sympy.org/latest/tutorials/intro-tutorial/index.html
• API 参考：https://docs.sympy.org/latest/reference/index.html
• 示例：https://github.com/sympy/sympy/tree/master/examples