Python数学建模-2.8SymPy库

SymPy库是一个强大的符号计算库，它为Python提供了符号数学计算的能力，它提供了大量的数学符号操作的函数和类，可以帮助用户进行各种复杂的数学计算，如代数、微积分、离散数学、量子力学等。与NumPy等库主要关注数值计算不同，SymPy专注于数学表达式的符号运算。这使得SymPy在处理代数、微积分、离散数学以及物理学的许多领域中的问题时非常有用。

1.SymPy库的主要特点

1. 符号表达式：SymPy允许用户使用符号变量代替具体的数值进行计算。这使得用户可以构建和操作复杂的数学表达式，而无需立即进行数值评估。

2. 代数运算：SymPy提供了丰富的代数运算功能，包括符号表达式的加法、减法、乘法、除法、幂运算、对数运算等。此外，它还可以进行因式分解、展开、简化等代数操作。

3. 微积分：SymPy可以处理微积分问题，包括求导、积分以及微分方程的求解。用户可以通过简单的函数调用，对符号表达式进行求导或积分运算。

4. 离散数学：SymPy还提供了处理离散数学问题的功能，如求解差分方程、处理组合数学和概率论中的表达式等。

5. 矩阵运算：SymPy提供了矩阵运算的功能，包括矩阵的创建、转置、求逆、行列式计算、特征值和特征向量的求解等。

6. 与其他库的集成：SymPy可以与Python中的其他数学库（如NumPy、SciPy）进行无缝集成，从而提供更加全面和强大的数学计算能力。

使用SymPy库时，用户通常需要首先定义符号变量，然后构建符号表达式，最后调用相应的函数进行运算。例如，可以使用symbols函数定义符号变量，使用Eq类创建等式，然后使用solve函数求解方程。同样地，可以使用diff函数进行求导运算，使用integrate函数进行积分运算等。

2.基本用法

首先，我们需要导入SymPy库：

from sympy import symbols, Eq, solve, diff, integrate, simplify

定义符号变量

使用symbols函数可以定义符号变量：

x, y = symbols('x y')

构建符号表达式

定义符号变量后，我们可以构建符号表达式：

expr = x**2 + 2*x*y + y**2

方程求解

使用Eq类可以创建等式，然后使用solve函数来求解方程：

equation = Eq(x**2 + y**2, 1)  # 定义方程 x^2 + y^2 = 1  
solutions = solve(equation.subs(y, 1), x)  # 将y替换为1，然后解方程  
print(solutions)  # 输出方程解

 输出结果：

[0]

求导

使用diff函数可以对符号表达式进行求导：

 

derivative = diff(x**2, x)  # 对x^2关于x求导  
print(derivative)  # 输出导数结果

输出结果：

2*x

积分

使用integrate函数可以对符号表达式进行积分：

integral = integrate(x**2, x)  # 对x^2关于x进行积分  
print(integral)  # 输出积分结果

输出结果

 x**3/3

表达式化简

使用simplify函数可以对复杂的符号表达式进行化简：

expr_complex = x**2 + 2*x*y + y**2  
simplified_expr = simplify(expr_complex)  # 化简表达式  
print(simplified_expr)  # 输出化简后的表达式

输出结果：

x**2 + 2*x*y + y**2

矩阵运算

SymPy也支持矩阵运算。可以使用Matrix类来创建矩阵，并进行各种矩阵运算：

from sympy import Matrix  
  
# 创建一个2x2矩阵  
matrix_A = Matrix([[1, 2], [3, 4]])  
  
# 计算矩阵的行列式  
determinant = matrix_A.det()  
print(determinant)  
  
# 计算矩阵的逆  
inverse_matrix = matrix_A.inv()  
print(inverse_matrix)

输出结果：

-2
Matrix([[-2, 1], [3/2, -1/2]])

交换变量值

虽然SymPy本身并没有直接提供交换变量值的函数，但你可以通过简单的赋值操作来实现：

from sympy import symbols, Eq, solve, diff, integrate, simplify

a, b = symbols('a b')
a_value = 10
b_value = 20

# 交换变量值
a, b = b, a

print(a)  # 输出20
print(b)  # 输出10

输出结果：

b
a
这些只是SymPy库功能的一部分，实际上SymPy提供了许多其他功能，如求解微分方程、处理几何对象、进行多项式运算等。

---

3.实例操作

例1：求方程组的符号解。

解：

方法1：

import sympy as sp
sp.var('x1,x2')
s=sp.solve([x1**2+x2**2-1,x1-x2],[x1,x2])
print(s)

输出结果：

[(-sqrt(2)/2, -sqrt(2)/2), (sqrt(2)/2, sqrt(2)/2)]

方法2：

import sympy as sp
x = sp.var('x:2')  #定义符号数组
s = sp.solve([x[0]**2+x[1]**2-1,x[0]-x[1]], x)
print(s)

输出结果：

[(-sqrt(2)/2, -sqrt(2)/2), (sqrt(2)/2, sqrt(2)/2)]

例2：求下列矩阵的特征值和特征向量的符号解：

解：

import numpy as np
import sympy as sp
a = np.identity(4)  #单位矩阵的另一种写法
b = np.rot90(a)
c = sp.Matrix(b)
print('特征值为：', c.eigenvals())
print('特征向量为：\n', c.eigenvects())

 输出结果：

特征值为： {-1.00000000000000: 2, 1.00000000000000: 2}
特征向量为：
 [(-1.00000000000000, 1, [Matrix([
[                 0],
[-0.707106781186548],
[ 0.707106781186548],
[                 0]])]), (1.00000000000000, 1, [Matrix([
[                 0],
[-0.707106781186548],
[-0.707106781186548],
[                 0]])]), (-1.00000000000000, 1, [Matrix([
[ 0.707106781186548],
[                 0],
[                 0],
[-0.707106781186548]])]), (1.00000000000000, 1, [Matrix([
[-0.707106781186548],
[                 0],
[                 0],
[-0.707106781186548]])])]

个人认为用SymPy没有Numpy好用，可以回见2.4内容

import numpy as np
a = np.eye(4)
b = np.rot90(a)
c, d = np.linalg.eig(b)
print('特征值为：', c)
print('特征向量为：\n', d)


#或者
import numpy as np

# 定义一个矩阵
A = np.array([[0, 0,0,1], [0,0,1,0],[0,1,0,0],[1,0,0,0]])

# 使用numpy.linalg.eig求特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)

print("特征值:")
print(eigenvalues)

print("特征向量:")
print(eigenvectors)

输出结果：

特征值为： [ 1. -1.  1. -1.]
特征向量为：
 [[ 0.70710678  0.70710678  0.          0.        ]
 [ 0.          0.          0.70710678 -0.70710678]
 [ 0.          0.          0.70710678  0.70710678]
 [ 0.70710678 -0.70710678  0.          0.        ]]