SymPy库常用函数

简介

SymPy是一个符号计算的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。它完全由Python写成，不依赖于外部库。SymPy支持符号计算、高精度计算、模式匹配、绘图、解方程、微积分、组合数学、离散 数学、几何学、概率与统计、物理学等方面的功能。(来自维基百科的描述)

更多内容请查看本人个人博客：https://huiyang865.github.io/2016/08/27/sympy/

Sympy安装方法

安装命令：pip install sympy

基本数值类型

实数，有理数和整数

SymPy有三个内建的数值类型：实数，有理数和整数。有理数类用两个整数来表示一个有理数。分子与分母，所以Rational(1,2)代表1/2，Rational(5,2)代表5/2，等等。

>>>from sympy import *
>>>a = Rational(1,2)
>>>a
1/2
>>>a*2
1
>>>Rational(2)**50/Rational(10)**50
1/88817841970012523233890533447265625

当利用Python的整数计算时要注意一下，Python只会截取除法的整数部分：

>>>1/2
0
>>>1.0/2
0.5

然而你可以：

>>>from __future__ import division
>>>1/2 #doctest: +SKIP
0.5

正确的除法在python3k和isympy中这样做，是标准的。

特殊的常数

我们也可以有一些特殊的常数，像e和pi，它们会被当作符号去对待。（1+pi不会求得值，反而它会保持为1+pi），例如：

>>>pi**2
pi**2
>>>pi.evalf()
3.14159265358979
>>>(pi+exp(1)).evalf()
5.85987448204884

求表达式的浮点数-evalf()函数

正如你看到的，evalf()函数可以用求出表达式的浮点数。
有一个无穷大的类型，被成为oo：

>>>oo > 99999
True
>>>oo + 1
oo
If the substitution will be followed by numerical evaluation, it is better to pass the substitution to evalf as
>>> (1/x).evalf(subs={x: 3.0}, n=21)
0.333333333333333333333
rather than
>>> (1/x).subs({x: 3.0}).evalf(21)
0.333333333333333314830

Sympy基本使用

定义变量-Symbols函数

对比与其他的计算机代数系统，在SymPy中要明确声明符号变量：

>>> x = symbols(‘x‘)
>>> x + 1
x + 1
>>>x,y,z=symbols(‘x y z‘)
>>> crazy = symbols(‘unrelated‘)
>>> crazy + 1
unrelated + 1
>>> x = symbols(‘x‘)
>>> expr = x + 1
>>> x = 2
>>> print(expr)
x + 1
Changing x to 2 had no effect on expr. This is because x = 2 changes the Python variable x to 2, but has no effect on the SymPy Symbol x, which was what we used in creating expr.

变量替换subs函数

>>> x = symbols(‘x‘)
>>> expr = x + 1
>>> expr.subs(x, 2)
3
>>> from sympy import pi, exp, limit, oo
>>> from sympy.abc import x, y
>>> (1 + x*y).subs(x, pi)
pi*y + 1
>>> (1 + x*y).subs({x:pi, y:2})
1 + 2*pi
>>> (1 + x*y).subs([(x, pi), (y, 2)])
1 + 2*pi
>>> reps = [(y, x**2), (x, 2)]
>>> (x + y).subs(reps)
6
>>> (x + y).subs(reversed(reps))
x**2 + 2
>>> (x**2 + x**4).subs(x**2, y)
y**2 + y
>>> (x**2 + x**4).xreplace({x**2: y})
x**4 + y
>>> (x/y).subs([(x, 0), (y, 0)])
0
>>> (x/y).subs([(x, 0), (y, 0)], simultaneous=True)
nan
>>> ((x + y)/y).subs({x + y: y, y: x + y})
1
>>> ((x + y)/y).subs({x + y: y, y: x + y}, simultaneous=True)
y/(x + y)
>>> limit(x**3 - 3*x, x, oo)
oo

调用方式：[subs(*args, **kwargs)]

代数

局部的代数式展开，使用apart(expr, x):

In [1]: 1/( (x+2)*(x+1) )
Out[1]:
       1
───────────────
(2 + x)*(1 + x)
In [2]: apart(1/( (x+2)*(x+1) ), x)
Out[2]:
  1       1
───── - ─────
1 + x   2 + x
In [3]: (x+1)/(x-1)
Out[3]:
-(1 + x)
────────
  1 - x
In [4]: apart((x+1)/(x-1), x)
Out[4]:
      2
1 - ─────
    1 - x

代数式的合并

(相当于展开的逆运算)，使用together(expr, x)：

In [7]: together(1/x + 1/y + 1/z)
Out[7]:
x*y + x*z + y*z
───────────────
    x*y*z
In [8]: together(apart((x+1)/(x-1), x), x)
Out[8]:
-1 - x
──────
1 - x
In [9]: together(apart(1/( (x+2)*(x+1) ), x), x)
Out[9]:
      1
───────────────
(2 + x)*(1 + x)

微积分

极限

在sympy中极限容易求出，它们遵循极限语法 limit(function, variable, point) ，所以计算x->0时f(x)的极限，即limit(f, x, 0)：

>>>from sympy import *
>>>x=Symbol("x")
>>>limit(sin(x)/x, x, 0)
1
>>>limit(x, x, oo)
oo
>>>limit(1/x, x, oo)
0
>>>limit(x**x, x, 0)
1

有一些特殊的极限的例子，可以阅读文件test_demidovich.py

微分

可以对任意SymPy表达式微分。diff(func, var)。例如：

>>>from sympy import *
>>>x = Symbol(‘x‘)
>>>diff(sin(x), x)
cos(x)
>>>diff(sin(2*x), x)
2*cos(2*x)
>>>diff(tan(x), x)
1 + tan(x)**2

可以通过以下验证:

>>>limit((tan(x+y)-tan(x))/y, y, 0)
1 + tan(x)**2

计算高阶微分 diff(func, var, n) :

>>>diff(sin(2*x), x, 1)
2*cos(2*x)
>>>diff(sin(2*x), x, 2)
-4*sin(2*x)
>>>diff(sin(2*x), x, 3)
-8*cos(2*x)

级数展开

函数 series(var, point, order)：

>>>from sympy import *
>>>x = Symbol(‘x‘)
>>>cos(x).series(x, 0, 10)
1 - x**2/2 + x**4/24 - x**6/720 + x**8/40320 + O(x**10)
>>>(1/cos(x)).series(x, 0, 10)
1 + x**2/2 + 5*x**4/24 + 61*x**6/720 + 277*x**8/8064 + O(x**10)

积分

SymPy支持不定积分，超越函数与特殊函数的定积分。SymPy有力的扩展Risch-Norman 算法和模型匹配算法。

>>>from sympy import *
>>>x, y = symbols(‘xy‘)

初等函数：

>>>integrate(6*x**5, x)
x**6
>>>integrate(sin(x), x)
-cos(x)
>>>integrate(log(x), x)
-x + x*log(x)
>>>integrate(2*x + sinh(x), x)
cosh(x) + x**2

特殊函数：

>>>integrate(exp(-x**2)*erf(x), x)
pi**(1/2)*erf(x)**2/4

定积分：

>>>integrate(x**3, (x, -1, 1))
0
>>integrate(sin(x), (x, 0, pi/2))
1
>>>integrate(cos(x), (x, -pi/2, pi/2))
2

一些广义积分也可以被支持：

>>>integrate(exp(-x), (x, 0, oo))
1
>>>integrate(log(x), (x, 0, 1))
-1

复数

>>>from sympy import Symbol, exp, I
>>>x = Symbol("x")
>>>exp(I*x).expand()
exp(I*x)
>>>exp(I*x).expand(complex=True)
I*exp(-im(x))*sin(re(x)) + cos(re(x))*exp(-im(x))
>>>x = Symbol("x", real=True)
>>>exp(I*x).expand(complex=True)
I*sin(x) + cos(x)

函数

三角函数：:

In [1]: sin(x+y).expand(trig=True)
Out[1]: cos(x)*sin(y) + cos(y)*sin(x)
In [2]: cos(x+y).expand(trig=True)
Out[2]: cos(x)*cos(y) - sin(x)*sin(y)
In [3]: sin(I*x)
Out[3]: I*sinh(x)
In [4]: sinh(I*x)
Out[4]: I*sin(x)
In [5]: asinh(I)
Out[5]:
π*I
───
 2
In [6]: asinh(I*x)
Out[6]: I*asin(x)
In [15]: sin(x).series(x, 0, 10)
Out[15]:
     3     5     7       9
    x     x     x       x
x - ── + ─── - ──── + ────── + O(x**10)
    6    120   5040   362880
In [16]: sinh(x).series(x, 0, 10)
Out[16]:
     3     5     7       9
    x     x     x       x
x + ── + ─── + ──── + ────── + O(x**10)
    6    120   5040   362880
In [17]: asin(x).series(x, 0, 10)
Out[17]:
     3      5      7       9
    x    3*x    5*x    35*x
x + ── + ──── + ──── + ───── + O(x**10)
    6     40    112     1152
In [18]: asinh(x).series(x, 0, 10)
Out[18]:
     3      5      7       9
    x    3*x    5*x    35*x
x - ── + ──── - ──── + ───── + O(x**10)
    6     40    112     1152

球谐函数：

In [1]: from sympy.abc import theta, phi
In [2]: Ylm(1, 0, theta, phi)
Out[2]:
     ————
╲╱ 3 *cos(θ)
────────────
        ——
  2*╲╱ π
In [3]: Ylm(1, 1, theta, phi)
Out[3]:
    ——            I*φ
-╲╱ 6   *│sin(θ)│*?
────────────────────
           ——
      4*╲╱ π
In [4]: Ylm(2, 1, theta, phi)
Out[4]:
   ———                  I*φ
-╲╱ 30  *│sin(θ)│*cos(θ)*?
────────────────────────────
                ——
          4*╲╱ π

阶乘和伽玛函数：

In [1]: x = Symbol("x")
In [2]: y = Symbol("y", integer=True)
In [3]: factorial(x)
Out[3]: Γ(1 + x)
In [4]: factorial(y)
Out[4]: y!
In [5]: factorial(x).series(x, 0, 3)
Out[5]:
                    2           2    2  2
                   x *EulerGamma    π *x
1 - x*EulerGamma + ────────────── + ───── + O(x**3)
                         2            12

Zeta函数:

In [18]: zeta(4, x)
Out[18]: ζ(4, x)
In [19]: zeta(4, 1)
Out[19]:
  4
π
──
90
In [20]: zeta(4, 2)
Out[20]:
       4
     π
-1 + ──
     90
In [21]: zeta(4, 3)
Out[21]:
         4
  17   π
- ── + ──
  16   90

多项式

In [1]: chebyshevt(2, x)
Out[1]:
        2
-1 + 2*x
In [2]: chebyshevt(4, x)
Out[2]:
       2      4
1 - 8*x  + 8*x
In [3]: legendre(2, x)
Out[3]:
          2
       3*x
-1/2 + ────
       2
In [4]: legendre(8, x)
Out[4]:
          2         4         6         8
35   315*x    3465*x    3003*x    6435*x
─── - ────── + ─────── - ─────── + ───────
128     32        64        32       128
In [5]: assoc_legendre(2, 1, x)
Out[5]:
            —————
         ╱     2
-3*x*╲╱  1 - x
In [6]: assoc_legendre(2, 2, x)
Out[6]:
      2
3 - 3*x
In [7]: hermite(3, x)
Out[7]:
           3
-12*x + 8*x

微分方程

在isympy中：

In [4]: f(x).diff(x, x) + f(x)     #注意在使用输入该命令之前，一定要声明f=Function(‘f‘)
Out[4]:
  2
 d
─────(f(x)) + f(x)
dx dx
In [5]: dsolve(f(x).diff(x, x) + f(x), f(x))
Out[5]: C?*sin(x) + C?*cos(x)

代数方程

在isympy中：

In [7]: solve(x**4 - 1, x)
Out[7]: [i, 1, -1, -i]
In [8]: solve([x + 5*y - 2, -3*x + 6*y - 15], [x, y])
Out[8]: {y: 1, x: -3}

线性代数

矩阵

矩阵由矩阵类创立建:

>>>from sympy import Matrix
>>>Matrix([[1,0], [0,1]])
[1, 0]
[0, 1]

不只是数值矩阵，亦可为代数矩阵，即矩阵中存在符号：

>>>x = Symbol(‘x‘)
>>>y = Symbol(‘y‘)
>>>A = Matrix([[1,x], [y,1]])
>>>A
[1, x]
[y, 1]
>>>A**2
[1 + x*y,     2*x]
[    2*y, 1 + x*y]

关于矩阵更多的例子，请看线性代数教程。

系数匹配

使用 .match()方法，引用Wild类，来执行表达式的匹配。该方法会返回一个字典。

>>>from sympy import *
>>>x = Symbol(‘x‘)
>>>p = Wild(‘p‘)
>>>(5*x**2).match(p*x**2)
{p_: 5}
>>>q = Wild(‘q‘)
>>>(x**2).match(p*x**q)
{p_: 1, q_: 2}

如果匹配不成功，则返回None：

>>>print (x+1).match(p**x)
None

可以使用Wild类的‘exclude’参数（排除参数），排除不需要和无意义的匹配结果,来保证结论中的显示是唯一的：

>>>x = Symbol(‘x‘)
>>>p = Wild(‘p‘, exclude=[1,x])
>>>print (x+1).match(x+p) # 1 is excluded
None
>>>print (x+1).match(p+1) # x is excluded
None
>>>print (x+1).match(x+2+p) # -1 is not excluded
{p_: -1}

打印输出

标准

str(expression)返回如下：

>>>from sympy import Integral
>>>from sympy.abc import x
>>>print x**2
x**2
>>>print 1/x
1/x
>>>print Integral(x**2, x)
Integral(x**2, x)

Pretty Printing

用pprint函数可以输出不错的ascii艺术：

>>>from sympy import Integral, pprint
>>>from sympy.abc import x
>>>pprint(x**2) #doctest: +NORMALIZE_WHITESPACE
2
x
>>>pprint(1/x)
1
-
x
>>>pprint(Integral(x**2, x))
 /
|
|  2
| x  dx
|
/

[Pretty PrintingWiki]
提示：在python解释器中，为使pretty printing为默认输出，使用：

$ python
Python 2.5.2 (r252:60911, Jun 25 2008, 17:58:32)
[GCC 4.3.1] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> from sympy import *
>>> import sys
>>> sys.displayhook = pprint
>>> var("x")
x
>>> x**3/3
3
x
--
3
>>> Integral(x**2, x) #doctest: +NORMALIZE_WHITESPACE
/
|
|  2
| x  dx
|
/

Python printing

>>>from sympy.printing.python import python
>>>from sympy import Integral
>>>from sympy.abc import x
>>>print python(x**2)
x = Symbol(‘x‘)
e = x**2
>>>print python(1/x)
x = Symbol(‘x‘)
e = 1/x
>>>print python(Integral(x**2, x))
x = Symbol(‘x‘)
e = Integral(x**2, x)

LaTeX printing

>>>from sympy import Integral, latex
>>>from sympy.abc import x
>>>latex(x**2)
$x^{2}$
>>>latex(1/x)
$\frac{1}{x}$
>>>latex(Integral(x**2, x))
$\int x^{2}\,dx$

MathML

>>>from sympy.printing.mathml import mathml
>>>from sympy import Integral, latex
>>>from sympy.abc import x
>>>print mathml(x**2)
<apply><power/><ci>x</ci><cn>2</cn></apply>
>>>print mathml(1/x)
<apply><power/><ci>x</ci><cn>-1</cn></apply>

Pyglet

>>>from sympy import Integral, preview
>>>from sympy.abc import x
>>>preview(Integral(x**2, x)) #doctest:+SKIP
注解

Isympy默认调用pprint，所以这就是为什么看到pretty printing为默认的。

有一个打印的有效模块，sympy.printing。用这个模块实现其他的打印：

  • pretty(expr), pretty_print(expr), pprint(expr): 分别返回或者输出，，表达式的漂亮描述。这是相同
  • latex(expr), print_latex(expr):分别返回或者输出，LaTex描写的表达式
  • mathml(expr), print_mathml(expr):分别返回或者输出，MathML描写的表达式
  • print_gtk(expr): 表达式打印到Gtkmathview , 这是一个GTK小配件显示MathML代码。Gtkmathview程序是必须的。

相关链接

时间： 2024-12-13 14:41:15

SymPy库常用函数的相关文章

turtle库常用函数

turtle库常用函数 引入turtle模块 import turtle turtle的绘图窗体 #setup()设置窗口大小及位置 #setup()可省略 turtle.setup(width,height,startx,starty) turtle.setup(800,800,0,0) turtle.setup(800,800) turtle的RGB色彩模式 #默认采用小数值 可切换为整数值 #1.0:RGB小数值模式 #255:RGB整数值模式 turtle.colormode(mode)

php中mysqli函数库常用函数

在使用php5.6中的mysql函数库时,php会输出一条建议使用mysqli的提示,于是就学习了mysqli mysqli与mysql操作大致相同,少了选择数据库的函数,把这项功能放到的链接数据库的函数里. 常用函数: 参考:http://www.w3school.com.cn/php/php_ref_mysqli.asp

总结（5）--- Numpy和Pandas库常用函数

二.常用库 1.NumPy NumPy是高性能科学计算和数据分析的基础包.部分功能如下: ndarray, 具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组. 用于对整组数据进行快速运算的标准数学函数(无需编写循环). 用于读写磁盘数据的工具以及用于操作内存映射文件的工具. 线性代数.随机数生成以及傅里叶变换功能. 用于集成C.C++.Fortran等语言编写的代码的工具. 首先要导入numpy库:import numpy as np A NumPy函数和属性: 类型 类型代码 说明 i

C++库常用函数一览

本文中提到的函数库有:<string> <cctype> <algorithm> <cmath> <cstdlib> <iomanip> <numeric> 1.   标准C++库字符串类std::string的用法 begin       得到指向字符串开头的Iteratorend         得到指向字符串结尾的Iteratorrbegin      得到指向反向字符串开头的Iteratorrend        

Python之Matplotlib库常用函数大全（含注释）

plt.savefig('test', dpi = 600) :将绘制的图画保存成png格式,命名为 test plt.ylabel('Grade') :  y轴的名称 plt.axis([-1, 10, 0, 6]) :  x轴起始于-1,终止于10 ,y轴起始于0,终止于6 plt.subplot(3,2,4) :  分成3行2列,共6个绘图区域,在第4个区域绘图.排序为行优先.也可 plt.subplot(324),将逗号省略. .plot函数 plt.plot(x, y, format_

C++STL库常用函数用法

开学就要上OOP了.....感觉十分萌萌哒- -! 整理自<ACM程序设计>,本文为转载(原文地址) 迭代器(iterator) 个人理解就是把所有和迭代有关的东西给抽象出来的,不管是数组的下标,指针,for里面的.list里面的.vector里面的,抽象一下变成了iterator 1 #include <iostream> 2 #include <vector> 3 4 using namespace std; 5 6 int main() 7 { 8 vector&

GD库常用函数

创建句柄 imagecreate($width, $height)                                                  //新建图像 imagecreatefromjpeg($path)                                             //打开已有的图像 imagecreatefromgif($path) imagecreatefrompng($path) getimagesize($path) //获取图像信

我自己的Javascript 库，封装了一些常用函数 Kingwell.js

我自己的Javascript 库,封装了一些常用函数 Kingwell.js 博客分类: Javascript javascript 库javascript库 现在Javascript库海量,流行的也多,比如jQuery,YUI等,虽然功能强大,但也是不万能的,功能不可能涉及方方面面,自己写一个的JS库是对这些的补充,很多也比较实用,把应用到项目中中去也比较方面,这也是对工作的一些积累,也加深对知识的理解. 2012-6-20更新,添加设置Cookie,获取Cookie,删除Cookie方法.很

numpy函数库中一些常用函数的记录

numpy函数库中一些常用函数的记录 最近才开始接触python,python中为我们提供了大量的库,不太熟悉,因此在<机器学习实战>的学习中,对遇到的一些函数的用法进行记录. (1)mat( ) numpy函数库中存在两种不同的数据类型(矩阵matrix和数组array),都可以用于处理行列表示的数字元素.虽然他们看起来很相似,但是在这两个数据类型上执行相同的数学运算可以得到不同的结果,其中numpy函数库中matrix与MATLAB中matrices等价. 调用mat( )函数可以将数组转