2024年Python最全使用Python求解方程_python解方程，2024年最新面试高分实战

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

文章目录

• • **Numpy 求解线性方程组**
    • **SciPy 求解非线性方程组**
    • SymPy 通吃一切
    • SymPy简介
    • • 展开与折叠
        • 分离与合并
        • 简化表达式
        • solve( )解方程
        • limit( )求极限
        • integrate( )求积分
        • diff( )求导
        • dsolve( )解微分方程
        • 矩阵化简
    • 目录
    • 前言
    • （一）求解多元一次方程-solve()
    • • 1.说明：
        • 2.源代码：
        • 3.输出：
    • （二）解线性方程组-linsolve（）
    • • 1.说明：
        • 2.源代码：
        • 3.输出：
    • （三）解非线性方程组-nonlinsolve（）
    • • 1.说明：
        • 2.源代码：
        • 3.输出：
    • （四）求解微分方程-dsolve（）
    • • 1.说明：
        • 2.源代码：
        • 3.输出：

已剪辑自: https://zhuanlan.zhihu.com/p/24893371

新年第一篇，搞起.

这回写一个好久之前想做，一直搁着没做的东西—— Python 解方程（其实是放假回家，趁着家里电脑重装 LOL 的时间过来写一篇）. 咱这回用三种不同的方法，来应对平常碰到的简单方程.

Numpy 求解线性方程组

例如我们要解一个这样的二元一次方程组：

x + 2y = 3
4x ＋ 5y = 6

当然我们可以手动写出解析解，然后写一个函数来求解，这实际上只是用 Python 来单纯做“数值计算”. 但实际上，numpy.linalg.solve 可以直接求解线性方程组.

一般地，我们设解线性方程组形如 Ax=b，其中 A 是系数矩阵，b 是一维(n 维也可以，这个下面会提到)，x 是未知变量. 再拿上面地最简单的二元一次方程组为例，我们用 numpy.linalg.solve 可以这样写：

In [1]: import numpy as np
   ...: A = np.mat('1,2; 4,5')    # 构造系数矩阵 A
   ...: b = np.mat('3,6').T       # 构造转置矩阵 b （这里必须为列向量）
   ...: r = np.linalg.solve(A,b)  # 调用 solve 函数求解
   ...: print r
   ...:
Out[1]: [[-1.]
         [ 2.]]

那么前面提到的“ n 维”情形是什么呢？实际上就是同时求解多组形式相同的二元一次方程组，例如我们想同时求解这样两组：

x + 2y = 3
4x ＋ 5y = 6

和

x + 2y = 7
4x ＋ 5y = 8

就可以这样写：

In [2]: import numpy as np
   ...: A = np.mat('1,2; 4,5')          # 构造系数矩阵 A
   ...: b = np.array([[3,6], [7,8]]).T  # 构造转置矩阵 b （这里必须为列向量），
   ...: 注意这里用的是 array
   ...: r = np.linalg.solve(A,b)        # 调用 solve 函数求解
   ...: print r
   ...:
Out[2]: [[-1.         -6.33333333]
         [ 2.          6.66666667]]

SciPy 求解非线性方程组

先看官方文档的介绍：

scipy.optimize.fsolve(func, x0, args=(), fprime=None, full_output=0, col_deriv=0, xtol=1.49012e-08, maxfev=0, band=None, epsfcn=None, factor=100, diag=None)[source]

一般来说，我们只需要用到 func 和 x0 就够了. func 是自己构造的函数，也就是需要求解的方程组的左端（右端为 0），而 x0 则是给定的初值.

我们来看一个具体的例子，求解：

x + 2y + 3z - 6 = 0
5 \* (x \*\* 2) + 6 \* (y \*\* 2) + 7 \* (z \*\* 2) - 18 = 0
9 \* (x \*\* 3) + 10 \* (y \*\* 3) + 11 \* (z \*\* 3) - 30 = 0

就可以这么写：

In [3]: from scipy.optimize import fsolve
   ...:
   ...: def func(i):
   ...:     x, y, z = i[0], i[1], i[2]
   ...:     return [
   ...:             x + 2 \* y + 3 \* z - 6,
   ...:             5 \* (x \*\* 2) + 6 \* (y \*\* 2) + 7 \* (z \*\* 2) - 18,
   ...:             9 \* (x \*\* 3) + 10 \* (y \*\* 3) + 11 \* (z \*\* 3) - 30
   ...:            ]
   ...:
   ...: r = fsolve(func,[0, 0, 0])
   ...: print r
   ...:
Out[3]: [ 1.00000001  0.99999998  1.00000001]

当然，SciPy 也可以用来求解线性方程组，这是因为 scipy.optimize.fsolve 本质上是最小二乘法来逼近真实结果.

SymPy 通吃一切

例如求解一个：

x + 2 * (x ** 2) + 3 * (x ** 3) - 6 = 0

直接就是：

In [4]: from sympy import \*
   ...: x = symbols('x')
   ...: solve(x + 2 \* (x \*\* 2) + 3 \* (x \*\* 3) - 6, x)
Out[4]: [1, -5/6 - sqrt(47)\*I/6, -5/6 + sqrt(47)\*I/6]

另外，

@Wayne Shi

的这篇 使用 Python 解数学方程 ，就重点讲述了 SymPy 解线性方程组的方法，所以我也就不再赘述了。

其实 SymPy 能干的太多了，有兴趣的可以看一看 GitHub上的 Quick examples.

---

---

SymPy简介

SymPy的官方教程：

https://github.com/sympy/sympy/wiki/Quick-examples

https://docs.sympy.org/latest/tutorial/index.html

已剪辑自: https://blog.csdn.net/starter_____/article/details/81989835

SymPy是符号数学的Python库。它的目标是成为一个全功能的计算机代数系统，同时保持代码简洁、易于理解和扩展。

In [1]:from sympy import *
In [2]:x = Symbol('x')
In [3]:y = Symbol('y')123

展开与折叠

expand( )展开方程

In [8]: ((x+y)**2).expand()
Out[8]: x**2 + 2*x*y + y**212

facrot( )折叠方程

In [13]: factor(x**2 + 2*x*y + y**2)
Out[13]: (x + y)**212

分离与合并

apart( )分离整式

In [14]: together(1 + 2/(x - 1))
Out[14]: (x + 1)/(x - 1)12

together( )合并整式

In [10]: together(1/x+1/y+1/z)
Out[10]: (x*y + x*z + y*z)/(x*y*z)12

简化表达式

simplify( )普通的化简

In [15]: simplify((x**3 + x**2 - x - 1)/(x**2 + 2*x + 1))
Out[15]: x - 112

trigsimp( )三角化简

In [18]: trigsimp(sin(x)/cos(x))
Out[18]: tan(x)12

powsimp( )指数化简

In [21]: powsimp(x**a*x**b)
Out[21]: x**(a + b)12

solve( )解方程

第一个参数为要解的方程，要求右端等于0，第二个参数为要解的未知数

一元一次方程

In [7]:solve(x * 3 - 6, x)
[2]12

二元一次方程

In [8]: solve([2 * x - y - 3, 3 * x + y - 7],[x, y])
Out[8]: {x: 2, y: 1}12

limit( )求极限

dir=’+’表示求解右极限，dir=’-‘表示求解左极限

In [10]: limit(1/x,x,oo,dir='+')
Out[10]: 0
In [11]: limit(1/x,x,oo,dir='-')
Out[11]: 01234

integrate( )求积分

不定积分

In [12]: integrate(sin(x),x)
Out[12]: -cos(x)12

定积分

In [13]: integrate(sin(x),(x,0,pi/2))
Out[13]: 112

diff( )求导

In [14]: diff(x**3,x)
Out[14]: 3*x**2

In [15]: diff(x**3,x,2)
Out[15]: 6*x12345

dsolve( )解微分方程

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！