SymPy：纯 Python 符号计算系统

2026-04-12 预计阅读 17 分钟

SymPy：纯 Python 符号计算系统

为什么需要符号计算

写 x + 1 == 2，得到的应该是 x == 1，而不是一个浮点数。这个"带着未知量推导"的需求，就是符号计算（Symbolic Computation）存在的理由：它把表达式当作对象来化简、求导、积分、解方程，结果仍是精确的符号表达式，而不是近似数值。

NumPy 计算 sqrt(2) 得到 1.414...，SymPy 保留 sqrt(2) 本身；对它求导得到 1/(2*sqrt(2))，再代入某个值才会变成数字。符号与数值的分工大致是：推导用 SymPy，算数用 NumPy/SciPy。前者保证正确性与通用性，后者提供性能。

项目坐标

指标	数值
Stars	14.9k（2026-09 实测）
贡献者	1,503（官方 AUTHORS 清单）
最新版本	1.14.0（2025-04-27）
许可证	New BSD
依赖	纯 Python，无外部必需依赖

SymPy 始于 2005 年，2007 年通过 Google Summer of Code 引入第一批学生贡献者，此后由社区持续维护至今。它被 SciPy、Jupyter、SageMath 等生态广泛依赖。

学习目标

读完本文，你应该能：

说清符号计算与数值计算的差别，以及各自的适用边界
安装 SymPy 并用表达式、微积分、方程、矩阵完成常见推导
用 lambdify 把符号表达式转成 NumPy 数值函数
知道物理模块、绘图、LaTeX 输出在哪里，能查文档继续深入

安装与验证

pip install sympy
# 或 conda
conda install -c anaconda sympy

验证安装：

>>> import sympy
>>> sympy.__version__
'1.14.0'

快速入门

表达式与化简

符号（Symbol）是表达式的原子，加减乘除和函数作用在其上构成表达式树：

>>> from sympy import Symbol, cos, sin, expand, simplify, trigsimp

>>> x = Symbol('x')
>>> y = Symbol('y')

# 表达式创建与展开
>>> e = (x + y)**2
>>> e.expand()
x**2 + 2*x*y + y**2

# 恒等式化简
>>> trigsimp(sin(x)**2 + cos(x)**2)
1

# 通用化简
>>> simplify((x**2 + 2*x + 1)/(x + 1))
x + 1

注意 simplify 是启发式的，不同表达式化简效果差异很大；对三角函数用 trigsimp、对有理式用 cancel、对幂指函数用 powsimp，通常比 simplify 更可控。

微积分

>>> from sympy import diff, integrate, limit, series, exp, oo

# 求导
>>> diff(x**3, x)
3*x**2

# 不定积分
>>> integrate(x**2, x)
x**3/3

# 定积分
>>> integrate(1, (x, 0, 1))
1

# 单侧极限
>>> limit(1/x, x, 0, dir='+')
oo

# 泰勒展开（O(x**10) 表示余项）
>>> series(exp(x), x, 0, 10)
1 + x + x**2/2 + x**3/6 + x**4/24 + x**5/120 + x**6/720 + x**7/5040 + x**8/40320 + x**9/362880 + O(x**10)

limit 的 dir 参数控制趋近方向：'+' 从右侧、'-' 从左侧，处理不连续点时二者结果可能不同。

方程求解

>>> from sympy import solve, dsolve, Function

# 代数方程
>>> solve(x**2 - 4, x)
[-2, 2]

# 线性方程组
>>> solve([x + y - 2, x - y], [x, y])
{x: 1, y: 1}

# 常微分方程：f'(x) - f(x) = 0
>>> f = Function('f')
>>> dsolve(f(x).diff(x) - f(x), f(x))
Eq(f(x), C1*exp(x))

dsolve 的返回是 Eq(左式, 右式) 形式，C1 是待定常数。高阶、非线性或带初始条件的方程，先查 dsolve 的 hint 参数与文档中支持的类型表。

矩阵运算

>>> from sympy import Matrix

>>> M = Matrix([[1, 2], [3, 4]])
>>> M.det()
-2
>>> M.inv()
Matrix([
[-2,   1],
[3/2, -1/2]])
>>> M.eigenvals()
{5/2 - sqrt(33)/2: 1, 5/2 + sqrt(33)/2: 1}

特征值以符号表达式给出，这正是符号计算的价值：不经过浮点近似，特征值可以直接是 sqrt(33) 的精确组合。

核心模块速查

模块	函数	说明
`sympy.diff`	`diff(expr, x)`	求导
`sympy.integrate`	`integrate(expr, x)`	积分
`sympy.limit`	`limit(expr, x, x0)`	极限
`sympy.series`	`series(expr, x, x0, n)`	泰勒展开
`sympy.solve`	`solve(eq, x)`	方程求解
`sympy.factor`	`factor(expr)`	因式分解
`sympy.expand`	`expand(expr)`	展开
`sympy.simplify`	`simplify(expr)`	化简
`sympy.trigsimp`	`trigsimp(expr)`	三角化简
`sympy.cancel`	`cancel(expr)`	有理式通分化简
`sympy.subs`	`expr.subs(x, 2)`	代入求值
`sympy.lambdify`	`lambdify(x, expr)`	转数值函数

高级功能

LaTeX 输出

>>> from sympy import latex, Integral

>>> latex(x**2 + cos(x))
x^{2} + \cos{\left(x \right)}
>>> latex(Integral(x**2, x))
\int x^{2}\, dx

生成的 LaTeX 可直接嵌入 Markdown 的 $$ 公式块，或用于 Jupyter Notebook 的数学渲染。

代码生成

>>> from sympy import lambdify, Symbol, sin, cos
>>> import numpy as np

>>> x = Symbol('x')
>>> expr = sin(x) + cos(x)

# 转成 NumPy 数值函数，支持向量化输入
>>> f = lambdify(x, expr, 'numpy')
>>> f(np.array([0, np.pi/2, np.pi]))
[ 1.  1. -1.]

# 用 mpmath 提供高精度
>>> import mpmath as mp
>>> f_mp = lambdify(x, x**2 + 2*x + 1, 'mpmath')
>>> f_mp(mp.mpf('0.5'))
2.25

lambdify 是符号与数值的分界线：推导阶段用符号，批量计算阶段把表达式编译成数值函数，避免逐次调用 subs 的 Python 层开销。

符号矩阵进阶

>>> from sympy import Matrix, symbols

>>> a, b, c = symbols('a b c')
>>> M = Matrix([[a, b], [c, a]])

>>> M.charpoly()
PurePoly(lambda**2 - 2*a*lambda + a**2 - b*c, lambda, domain='ZZ[a,b,c]')

>>> M.eigenvects()
[(a - sqrt(b*c), 1, [Matrix([
[-a/c + (a - sqrt(b*c))/c],
[                       1]])]),
 (a + sqrt(b*c), 1, [Matrix([
[-a/c + (a + sqrt(b*c))/c],
[                       1]])])]

eigenvects 返回 (特征值, 重数, 特征向量列表) 的三元组列表，特征向量同样以符号形式给出。

数论

>>> from sympy import isprime, prime, factorint, totient

>>> isprime(97)
True
>>> prime(100)   # 第 100 个素数
541
>>> factorint(123456)
{2: 6, 3: 1, 643: 1}
>>> totient(100)  # 欧拉函数
40

isprime 对较小的数走确定性判别，对大数使用概率性 Miller-Rabin 测试；prime 内部使用素数筛缓存，频繁取第 n 个素数时效率可接受。

物理模块

经典力学

动力学符号（dynamicsymbols）自动带上时间依赖，求导即为速度、加速度：

>>> from sympy.physics.mechanics import dynamicsymbols

>>> q1 = dynamicsymbols('q1')
>>> q1
q1(t)
>>> q1.diff()   # 对时间求导
Derivative(q1(t), t)

完整的拉格朗日或牛顿方法在 sympy.physics.mechanics 下：LagrangesMethod、Particle、ReferenceFrame 等类把多体系统的方程搭建与求解封装起来，适合机器人学与刚体动力学。

量子力学

用玻色子算符示例对易关系：

>>> from sympy.physics.quantum.boson import BosonOp
>>> from sympy.physics.quantum import Commutator

>>> ann = BosonOp('a')          # 湮灭算符
>>> cre = BosonOp('a', False)   # 产生算符
>>> Commutator(ann, cre).doit() # [a, a†] = 1
1

BosonOp 的构造参数第二个位置控制升/降算符。更复杂的态矢量、位置动量算符在 sympy.physics.quantum 下按模块组织，按需导入对应子模块。

绘图

>>> from sympy import symbols, plot, sin, cos, exp

>>> x = symbols('x')
>>> p1 = plot(sin(x), (x, -pi, pi))
>>> p2 = plot(sin(x), cos(x), exp(-x), (x, -2*pi, 2*pi))
>>> p2.save('plot.png')

3D 绘图用 plot3d，曲面、等高线、参数曲线分别有独立入口。绘图默认返回 Plot 对象，save 支持常见图片格式；在 Jupyter 中直接显示对象即可内联渲染。

性能边界与优化

SymPy 是纯 Python 实现，大型符号计算（如高阶多项式、复杂定积分）可能明显慢于 Mathematica 等原生 CAS。两条缓解路径：

推导阶段：优先化简到最小表达式再继续，避免表达式膨胀——factor/cancel/trigsimp 选对方向通常比 simplify 快。
数值阶段：用 lambdify 转成 NumPy/SciPy，或在 numpy 后端上批量向量化。

对超大规模数值计算，直接使用 NumPy/SciPy，符号层只负责离线推导公式。

与其他工具集成

# NumPy：向量化求值
>>> import numpy as np
>>> from sympy import lambdify, Symbol, sin, cos
>>> x = Symbol('x')
>>> f = lambdify(x, sin(x) + cos(x), 'numpy')
>>> f(np.array([0, np.pi/2, np.pi]))
[ 1.  1. -1.]

# Matplotlib：绘制符号函数
>>> import matplotlib.pyplot as plt
>>> p = plot(sin(x), (x, 0, 2*pi), show=False)
>>> p.xlabel = 'x'
>>> p.ylabel = 'sin(x)'
>>> p.show()

# LaTeX：输出公式
>>> from sympy import latex, Integral
>>> print(latex(Integral(x**2, (x, 0, 1))))
\int\limits_{0}^{1} x^{2}\, dx

常见问题

SymPy 和 Mathematica / MATLAB 的符号工具箱相比如何？

SymPy 免费开源，覆盖符号计算的绝大部分日常需求；Mathematica 在超大多项式、专业数学领域工具箱与整体性能上更强。对大多数教学与工程推导，SymPy 足够。

可以在生产环境使用 SymPy 吗？

可以，但注意性能边界。建议用 lambdify 把符号表达式转成数值函数投入运行，避免在生产路径上反复做符号推导；性能关键部分改用 NumPy/SciPy。

为什么 simplify 结果和我预期不同？

simplify 是启发式搜索，方向不对就返回原式。针对性使用 trigsimp（三角）、cancel（有理式）、factor（多项式）、powsimp（幂指）通常更可控。

subs 和 lambdify 有什么区别？

subs 做符号替换，每次返回新表达式，适合少量代入；lambdify 编译成数值函数，支持向量化与高性能批量计算。

引用

若在论文中使用 SymPy，官方建议引用：

@article{meurer2017sympy,
  title={SymPy: symbolic computing in Python},
  author={Meurer, Aaron and Smith, Christopher P and Paprocki, Mateusz
           and {\v{C}}ert{\'i}k, Ond{\v{r}}ej and Kirpichev, Sergey B
           and Rocklin, Matthew and Kumar, Amit and Ivanov, Sergiu
           and Moore, Jason K and Singh, Sartaj and Rathnayake, Thilina
           and Vig, Sean and Granger, Brian E and Muller, Richard P
           and Bonazzi, Francesco and Gupta, Harsh and Vats, Shivam
           and Johansson, Fredrik and Pedregosa, Fabian and Curry, Matthew J
           and Terrel, Andy R and Rou{\v{c}}ka, {\v{S}}t{\v{e}}p{\'a}n
           and Saboo, Ashutosh and Fernando, Isuru and Kulal, Sumith
           and Cimrman, Robert and Scopatz, Anthony},
  journal={PeerJ Computer Science},
  volume={3},
  pages={e103},
  year={2017}
}

资源

资源	链接
官网	https://sympy.org
文档	https://docs.sympy.org
GitHub	https://github.com/sympy/sympy
论文	https://doi.org/10.7717/peerj-cs.103

参与讨论

使用 GitHub 登录。欢迎补充事实、异议与实践。

当前浏览器未启用 JavaScript。你仍可前往 GitHub Discussions 参与讨论。

目录

SymPy：纯 Python 符号计算系统

SymPy：纯 Python 符号计算系统

为什么需要符号计算

项目坐标

学习目标

安装与验证

快速入门

表达式与化简

微积分

方程求解

矩阵运算

核心模块速查

高级功能

LaTeX 输出

代码生成

符号矩阵进阶

数论

物理模块

经典力学

量子力学

绘图

性能边界与优化

与其他工具集成

常见问题

引用

资源