SymPy 符号计算基本教程
SymPy 是一个由 Python 语言编写的符号计算库。我将在本文中简要地介绍如何利用 SymPy 进行符号计算。在介绍 SymPy 之前,我们首先要明确何谓符号计算?计算机代数系统又是什么?
什么是符号计算 ?
处理数学对象的计算称为符号计算。在符号计算中,数学对象是精确表示的,而不是近似的,未计算的数学表达式会以符号形式保留。与符号计算相对应的是数值计算,下面将以两个例子来展示二者之间的区别。
数值计算示例
下面是一个计算 \sin\pi 数值解的例子:
import math
math.pi
print(math.sin(math.pi))
\displaystyle{1.2246467991473532e-16}
符号计算示例
下面是一个计算 \sin\pi 解析解的例子:
from sympy import *
sin(pi)
\displaystyle 0
对比 \sin\pi 的数值和符号计算结果可以发现,数值计算结果无法精确地表示出 \sin\pi = 0 ,只能用一个很小的浮点数 (1.22\times 10^{-16}) 表示,而符号计算结果则得出 \sin\pi = 0 。
明确了数值计算和符号计算之间的区别后,让我们再来认识什么是计算机代数系统。
什么是计算机代数系统 ?
计算机代数系统(Computer Algebra System,缩写作:CAS)是进行符号运算的软件。在计算机代数系统中运算的对象是数学表达式,通常表达式有如下几类:
- 多元多项式
- 标准函数(三角函数、指数函数等)
- 特殊函数( \Gamma 函数、Bessel 函数等)
- 多种函数组成的复合函数
- 表达式的导数、积分、和与积等
- 级数
- 矩阵
以下列出了几种典型的符号计算:
- 表达式化简
- 表达式求值
- 表达式的变形:展开、积、幂、部分分式表示、将三角函数转换为指数函数等
- 一元或多元微分
- 带条件的化简
- 部分或完整的因式分解
- 求解线性或非线性方程
- 求解微分方程或差分方程
- 求极限
- 求函数的定积分、不定积分
- 泰勒展开、洛朗展开等
- 无穷级数展开
- 级数求和
- 矩阵运算
- 数学公式的 \TeX 或 \LaTeX 显示
通常符号计算软件也具备一定的数值运算能力,例如可以进行如下运算:
- 求函数确切值
- 求高精度值,如 \pi
- 线性代数的数值运算
此外符号计算软件也具有描绘二维、三维函数图像的功能。
实际上,目前存在众多的计算机代数系统,下面列出了几种:
- Maple
- MuPAD
- Maxima
- Mathcad
- Mathematica
- MATLAB Symbolic Math Toolbox
- SageMath
为什么选择 SymPy ?
那么,是什么让 SymPy 从这众多软件中脱颖而出,让我们选择它呢?我觉得有如下 4 个原因:
- SymPy 是自由软件,免费开源,在遵守许可证条款的前提下,用户可以自由地根据自己的需求修改其源代码。与之形成对比的是,Maple、MuPad、Mathcad、MATLAB、Mathematica 等都是商业软件,价格昂贵;
- SymPy 使用 Python 编写而成,与使用自己发明的语言的计算机代数系统相比(如 Maxima 由 LISP 编写),SymPy 具有很强的通用性。SymPy 完全用 Python 编写,完全在 Python 中执行。这样,只要您熟悉 Python,那么 SymPy 将会很容易入门;
- 与另一个使用 Python 的符号计算软件——SageMath 相比,SymPy 的优点是安装包体积小;
- SymPy 的一个重要特性是,它可以作为库集成到其他软件中,为别的软件所用。SageMath 便是将 SymPy 作为其子模块,然后再加入其他模块,构建出一个功能齐全的数学软件。
准备知识
在学习如何使用 SymPy 进行符号计算之前,请确保您满足如下几个条件:
- 学习过微积分
- 学习过线性代数
- 熟悉 Python 基本语法
- 了解 Python 面向对象编程方法
- 会使用 JupyterLab Notebook 交互式开发环境
- 了解 \LaTeX 是什么东西
如何使用 SymPy ?
前面的第 1 个符号计算示例展示了如何利用 SymPy 精确地计算三角函数,实际上,它的功能远不仅于此。作为一个强大的符号计算库,它几乎能够计算所有带符号变量的表达式。下面从本节开始将介绍如何使用 SymPy。
导入 SymPy 库
在使用 SymPy 之前需要先将其导入,有两种方式:
- 直接导入:
import sympy
2. 利用
from
语句导入:
from sympy import *
两种方式都导入了 SymPy 库中的所有函数、对象、变量等。区别是调用方式不同。比如在调用
sqrt
(
\sqrt{\;\;}
)函数时,前者应写成
sympy.sqrt(2)
,后者则直接写成
sqrt(2)
。为了力求简洁,我们使用第 2 种方式导入 SymPy 。
注意 :为了防止命名空间冲突,PEP 标准推荐使用第一种方式导入库。但是,通常一个符号运算 Python 源文件是单独使用的,稍加注意就可以避免命名空间冲突的问题。
新建符号
在使用符号之前,先要利用
symbols
函数定义符号,语句是:
# 新建符号 x, y
x, y = symbols('x y')
还有一个更简洁的方法是,利用 SymPy 的 abc 子模块导入所有拉丁、希腊字母:
# 利用 SymPy 的 abc 子模块新建符号 x, y
from sympy.abc import x, y
注意
:希腊字母
\lambda
(lambda) 是 Python 保留关键字,当用户需要使用这个字母时,请写成
lamda
(不写中间的 'b')。
新建符号变量时可以指定其定义域,比如指定 x\in \mathbf{R}, x > 0 :
x = symbols('x', positive = True)
这样在求解过程中 x 必须满足这个前提条件。
可以利用
symbols
函数依次新建类似
x_{1},\,x_{2},\,x_{3},\,x_{4}
的多个变量:
vars = symbols('x_1:5')
(x_1, x_2, x_3, x_4)
vars[0]
\displaystyle x_{1}
下面是一个符号计算的完整例子:
from sympy import *
x, y, z = symbols('x y z')
y = expand((x + 1)**2) # expand() 是展开函数
y
\displaystyle x^{2} + 2 x + 1
z = Rational(1, 2) # 构造分数 1/2
z
\displaystyle \frac{1}{2}
符号计算基本操作
在本节中,我将介绍几个符号计算的基本操作。
替换
采用符号变量的
subs
方法进行替换操作,例如:
x = symbols('x')
expr = cos(x) + 1
expr.subs(x, 0)
\displaystyle 2
将字符串转换为 SymPy 表达式
利用
sympify
函数可以将字符串表达式转换为 SymPy 表达式。
注意 :sympify
是符号化,与另一个函数simplify
(化简)拼写相近,不要混淆。
str_expr = 'x**2 + 2*x + 1'
expr = sympify(str_expr)
expr
\displaystyle x^{2} + 2 x + 1
转换为指定精度的数值解
可以使用符号变量的
evalf
方法将其转换为指定精度的数值解,例如:
pi.evalf(3) # pi 保留 3 位有效数字
\displaystyle 3.14
利用
lambdify
函数将 SymPy 表达式转换为 NumPy 可使用的函数
如果进行简单的计算,使用
subs
和
evalf
是可行的,但要获得更高的精度,则需要使用更加有效的方法。例如,要保留小数点后 1000 位,则使用 SymPy 的速度会很慢。这时,您就需要使用 NumPy 库。
lambdify
函数的功能就是可以将 SymPy 表达式转换为 NumPy 可以使用的函数,然后用户可以利用 NumPy 计算获得更高的精度。
import numpy
a = numpy.pi / 3
x = symbols('x')
expr = sin(x)
f = lambdify(x, expr, 'numpy')
f(a)
0.8660254037844386
expr.subs(x, pi/3)
\displaystyle \frac{\sqrt{3}}{2}
使用
simplify
(化简)
在符号计算中,最常用的操作就是利用
simplify
函数对表达式化简。默认情况下,
simplify
函数将自行寻找它认为的最简单的表达形式,呈现给用户。
simplify(sin(x)**2 + cos(x)**2)
\displaystyle 1
alpha_mu = symbols('alpha_mu')
simplify(2*sin(alpha_mu)*cos(alpha_mu))
\displaystyle \sin{\left(2 \alpha_{\mu} \right)}
由于
simplify
函数执行过程是启发式的,它需要寻找它认为的最简形式,所以有时它的响应会比较慢。所以,当您知道化简形式是什么类型时,不要使用
simplify
函数,而应该使用专门的函数,如
factor
(后续将会介绍)。
多项式和有理函数化简
下面介绍几个用于多项式或有理函数化简的函数。
expand
(展开)
将多项式展开,使用
expand
函数。例如:
x_1 = symbols('x_1')
expand((x_1 + 1)**2)
\displaystyle x_{1}^{2} + 2 x_{1} + 1
factor
(因式分解)
用
factor
函数可以对多项式进行因式分解,例如:
factor(x**3 - x**2 + x - 1)
\displaystyle \left(x - 1\right) \left(x^{2} + 1\right)
实际上,多项式的展开和因式分解是互逆过程,因此factor
和expand
也是相对的。
collect
(合并同类项)
利用
collect
合并同类项,例如:
expr = x*y + x - 3 + 2*x**2 - z*x**2 + x**3
collect(expr, x)
\displaystyle x^{3} + x^{2} \left(2 - z\right) + x \left(y + 1\right) - 3
cancel
(有理分式化简)
消去分子分母的公因式使用
cancel
函数,例如:
cancel((x**2 + 2*x + 1)/(x**2 + x))
\displaystyle \frac{x + 1}{x}
apart
(部分分式展开)
使用
apart
函数可以将分式展开,例如:
expr = (4*x**3 + 21*x**2 + 10*x + 12)/(x**4 + 5*x**3 + 5*x**2 + 4*x)
expr
\displaystyle \frac{4 x^{3} + 21 x^{2} + 10 x + 12}{x^{4} + 5 x^{3} + 5 x^{2} + 4 x}
apart(expr)
\displaystyle \frac{2 x - 1}{x^{2} + x + 1} - \frac{1}{x + 4} + \frac{3}{x}
微积分符号计算
在本节中,将介绍使用 SymPy 进行微积分的基本操作。
一元函数求导函数
求导函数使用
diff
函数,例如:
# 求一阶导数
diff(cos(x), x)
\displaystyle - \sin{\left(x \right)}
# 求 3 阶导数
diff(x**4, x, 3)
\displaystyle 24 x
我们也可以用 符号变量的
diff
方法 求微分,例如:
expr = cos(x)
expr.diff(x, 2)
\displaystyle - \cos{\left(x \right)}
多元函数求偏导函数
可以用
diff
函数求多元函数的偏导数,例如:
f(x, y, z) = \text{e}^{xyz}\\ \frac{\partial \, f(x, y, z)}{\partial \, x}= yz \,\text{e}^{xyz}
expr = exp(x*y*z)
diff(expr, x)
\displaystyle y z e^{x y z}
integrate
(积分)
使用
integrate
函数求积分,例如:
# 求不定积分
integrate(cos(x), x)
\displaystyle \sin{\left(x \right)}
求 \text{e}^{-x} 的定积分:
\int_{0}^{\infty}\text{e}^{-x} \,\text{d}x
注意 :在 SymPy 中,我们用 'oo' 表示 \infty 。
integrate(exp(-x), (x, 0, oo))
\displaystyle 1
求函数 f(x,y) 在 [-\infty,\,\infty] 的二重积分:
f(x,y) = \text{e}^{-x^2 - y^2}\\ \int_{-\infty}^{\infty}\int_{-\infty}^{\infty}\,f(x,y)\,\text{d}x \text{d}y
integrate(exp(-x**2 - y**2), (x, -oo, oo), (y, -oo, oo))
\displaystyle \pi
limit
(求极限)
使用
limit
函数求极限,例如:
limit(sin(x)/x, x, 0)
\displaystyle 1
当 x\to 0^{+} 时,求 \dfrac{1}{x} 的极限:
limit(1/x, x, 0, '+')
\displaystyle \infty
series
(级数展开)
使用符号变量的
series
方法可以对函数
f(x)
在
x=x_0
处进行
n
阶展开。例如,对函数
f(x)=\sin(x)
在
x=0
处进行
4
阶展开:
expr = sin(x)
expr.series(x, 0, 4)
\displaystyle x - \frac{x^{3}}{6} + O\left(x^{4}\right)
解方程
使用
solveset
求解方程。
求解一元二次方程
求解方程
x^2 - x =0
,首先要构造方程,使用
Eq
函数构造等式:
Eq(x**2 - x, 0)
注意
:在 SymPy 中,我们用
Eq
(左边表达式, 右边表达式) 表示左边表达式与右边表达式相等。
solveset(Eq(x**2 - x, 0), x, domain = S.Reals)
\displaystyle \{0, 1\}
求解微分方程
使用
dsolve
函数求解微分方程。首先需要建立符号函数变量:
f = symbols('f', cls = Function)
然后求解微分方程:
f''(x) - 2f'(x) + f(x) = \sin(x)
diffeq = Eq(f(x).diff(x, 2) - 2*f(x).diff(x) + f(x), sin(x))
diffeq
\displaystyle f{\left(x \right)} - 2 \frac{d}{d x} f{\left(x \right)} + \frac{d^{2}}{d x^{2}} f{\left(x \right)} = \sin{\left(x \right)}
dsolve(diffeq, f(x))
\displaystyle f{\left(x \right)} = \left(C_{1} + C_{2} x\right) e^{x} + \frac{\cos{\left(x \right)}}{2}
矩阵运算
我们在进行矩阵运算之前,需要用
Matrix
构造矩阵,例如:
# 构造矩阵
Matrix([[1, -1], [3, 4], [0, 2]])
\displaystyle \left[\begin{matrix}1 & -1\\3 & 4\\0 & 2\end{matrix}\right]
# 构造列向量
Matrix([1, 2, 3])
\displaystyle \left[\begin{matrix}1\\2\\3\end{matrix}\right]
# 构造行向量
Matrix([[1], [2], [3]]).T
\displaystyle \left[\begin{matrix}1 & 2 & 3\end{matrix}\right]
矩阵转置用矩阵变量的
T
方法。
# 构造单位矩阵
eye(4)
\displaystyle \left[\begin{matrix}1 & 0 & 0 & 0\\0 & 1 & 0 & 0\\0 & 0 & 1 & 0\\0 & 0 & 0 & 1\end{matrix}\right]
# 构造零矩阵
zeros(4)
\displaystyle \left[\begin{matrix}0 & 0 & 0 & 0\\0 & 0 & 0 & 0\\0 & 0 & 0 & 0\\0 & 0 & 0 & 0\end{matrix}\right]
# 构造壹矩阵
ones(4)
\displaystyle \left[\begin{matrix}1 & 1 & 1 & 1\\1 & 1 & 1 & 1\\1 & 1 & 1 & 1\\1 & 1 & 1 & 1\end{matrix}\right]
# 构造对角矩阵
diag(1, 2, 3, 4)
\displaystyle \left[\begin{matrix}1 & 0 & 0 & 0\\0 & 2 & 0 & 0\\0 & 0 & 3 & 0\\0 & 0 & 0 & 4\end{matrix}\right]
矩阵转置
矩阵转置用矩阵变量的 T 方法。例如:
a = Matrix([[1, -1], [3, 4], [0, 2]])
a
\displaystyle \left[\begin{matrix}1 & -1\\3 & 4\\0 & 2\end{matrix}\right]
# 求矩阵 a 的转置
a.T
\displaystyle \left[\begin{matrix}1 & 3 & 0\\-1 & 4 & 2\end{matrix}\right]
求矩阵的幂
求矩阵 \boldsymbol{M} 的 2 次幂:
# 求矩阵 M 的 2 次幂
M = Matrix([[1, 3], [-2, 3]])
M**2
\displaystyle \left[\begin{matrix}-5 & 12\\-8 & 3\end{matrix}\right]
特殊地,矩阵的 -1 次幂就是矩阵的逆。
# 求矩阵 M 的逆
M**-1
\displaystyle \left[\begin{matrix}\frac{1}{3} & - \frac{1}{3}\\\frac{2}{9} & \frac{1}{9}\end{matrix}\right]
求矩阵的行列式
用矩阵变量的
det
方法可以求其行列式:
M = Matrix([[1, 0, 1], [2, -1, 3], [4, 3, 2]])
M
\displaystyle \left[\begin{matrix}1 & 0 & 1\\2 & -1 & 3\\4 & 3 & 2\end{matrix}\right]
M.det()
\displaystyle -1
求矩阵的特征值和特征多项式
用矩阵变量的
eigenvals
和
charpoly
方法求其特征值和特征多项式。
M = Matrix([[3, -2, 4, -2], [5, 3, -3, -2], [5, -2, 2, -2], [5, -2, -3, 3]])
M
\displaystyle \left[\begin{matrix}3 & -2 & 4 & -2\\5 & 3 & -3 & -2\\5 & -2 & 2 & -2\\5 & -2 & -3 & 3\end{matrix}\right]
M.eigenvals()
{3: 1, -2: 1, 5: 2}
lamda = symbols('lamda')
p = M.charpoly(lamda)
factor(p)
\displaystyle \left(\lambda - 5\right)^{2} \left(\lambda - 3\right) \left(\lambda + 2\right)
Laplace 变换
可以利用
laplace_transform
函数进行 Laplace 变换,例如:
# Laplace (拉普拉斯)变换
from sympy.abc import t, s
expr = sin(t)
laplace_transform(expr, t, s)
\displaystyle \texttt{(1/(s**2 + 1), 0, True)}
利用
inverse_laplace_transform
函数进行逆 Laplace 变换:
expr = 1/(s - 1)
inverse_laplace_transform(expr, s, t)
\displaystyle e^{t} \theta\left(t\right)
利用 SymPy 画函数图像
使用
plot
函数绘制二维函数图像,例如:
from sympy.plotting import plot
from sympy.abc import x
plot(x**2, (x, -2, 2))
<sympy.plotting.plot.Plot at 0x20d094def40>
导入 SymPy 的
plot_implicit
函数绘制隐函数图像:
from sympy import plot_implicit