用途
SymPy 是一个用于符号数学计算的 Python 库，支持使用数学符号进行精确计算，而不是数值近似。该技能为使用 SymPy 完成符号代数、微积分、线性代数、方程求解、物理计算和代码生成提供指导。
安装与版本
资料显示该技能针对 SymPy 1.14.0（稳定版；2025 年 4 月）测试，要求 Python 3.9+。
# 使用 uv 安装 SymPy
uv pip install "sympy>=1.14"
# 可选：用于 lambdify 和绘图示例
uv pip install numpy scipy matplotlib
检查版本：
import sympy
print(sympy.__version__)
适用场景
当需要以下操作时可使用该技能：符号求解方程（代数、微分、方程组）；执行微积分运算（导数、积分、极限、级数）；操作和化简代数表达式；以符号方式处理矩阵与线性代数；进行物理计算（力学、量子力学、向量分析）；数论计算（素数、因式分解、模运算）；几何计算（2D/3D 几何、解析几何）；将数学表达式转换为可执行代码（Python、C、Fortran）；生成 LaTeX 或其他格式化数学输出；需要精确数学结果（例如 sqrt(2) 而非 1.414...）。
主要能力
资料在 references/core_capabilities.md 中记录了七个能力领域：
- 符号计算基础——符号、表达式、化简、代入。
- 微积分——微分、积分、极限、级数。
- 方程求解——solve、solveset、线性与非线性系统、常微分方程。
- 矩阵与线性代数——见 references/matrices-linear-algebra.md。
- 物理与力学——见 references/physics-mechanics.md。
- 进阶数学——见 references/advanced-topics.md。
- 代码生成与输出——见 references/code-generation-printing.md。
前三项的深入内容见 references/core-capabilities.md。
使用方式与最佳实践
- 始终先定义符号：
from sympy import symbols
x, y, z = symbols('x y z')
- 使用假设以获得更好的化简：
x = symbols('x', positive=True, real=True)
sqrt(x**2) # 由于 positive 假设，返回 x（而非 Abs(x)）
常见假设：real、positive、negative、integer、rational、complex、even、odd。
- 使用精确算术：
from sympy import Rational, S
# 正确（精确）：
expr = Rational(1, 2) * x
expr = S(1)/2 * x
# 错误（浮点）：
expr = 0.5 * x # 产生近似值
- 需要时进行数值求值：
from sympy import pi, sqrt
result = sqrt(8) + pi
result.evalf() # 5.96371554103586
result.evalf(50) # 50 位精度
- 转换为 NumPy 以提升性能：
# 多次求值时较慢：
for x_val in range(1000):
result = expr.subs(x, x_val).evalf()
# 快速：
f = lambdify(x, expr, 'numpy')
results = f(np.arange(1000))
- 使用合适的求解器：solveset 用于代数方程（首选）；linsolve 用于线性系统；nonlinsolve 用于非线性系统；dsolve 用于微分方程；solve 为通用（旧版，但灵活）。
参考文件结构
该技能使用模块化参考文件对应不同能力：core-capabilities.md（符号、代数、微积分、化简、方程求解）；matrices-linear-algebra.md（矩阵运算、特征值、线性系统）；physics-mechanics.md（经典力学、量子力学、向量、单位）；advanced-topics.md（几何、数论、组合数学、逻辑、统计）；code-generation-printing.md（lambdify、codegen、LaTeX 输出、打印）。
常见用例模式
模式 1：求解并验证——用 solve 求解方程，再用 simplify 代入验证结果为零。
模式 2：符号到数值流水线——定义符号问题、符号化操作（如 simplify、diff）、用 lambdify 转换为数值函数、再进行数值求值。
模式 3：记录数学结果——符号计算积分等结果，再用 latex、pretty、evalf 生成文档输出。
与科学计算工作流集成
可与 NumPy 配合（用 lambdify 将表达式转为可作用于数组的函数）、与 Matplotlib 配合（对 lambdify 生成的函数绘图）、与 SciPy 配合（用 lambdify 转换方程后交给 scipy.optimize.fsolve 数值求解）。
常用函数速查
符号：symbols、Symbol。基本运算：simplify、expand、factor、collect、cancel、sqrt、exp、log、sin、cos、tan、pi、E、I、oo。微积分：diff、integrate、limit、series、Derivative、Integral。求解：solve、solveset、linsolve、nonlinsolve、dsolve。矩阵：Matrix、eye、zeros、ones、diag。逻辑与集合：And、Or、Not、Implies、FiniteSet、Interval、Union。输出：latex、pprint、lambdify、init_printing。工具：evalf、N、nsimplify。
入门示例
求解二次方程：solve(x**2 - 5*x + 6, x) 得到 [2, 3]。
求导：diff(sin(x2), x) 得到 2xcos(x2)。
求积分：integrate(x * exp(-x**2), (x, 0, oo)) 得到 1/2。
矩阵特征值：Matrix([[1, 2], [2, 1]]).eigenvals() 得到 {3: 1, -1: 1}。
生成 Python 函数：lambdify(x, x**2 + 2*x + 1, 'numpy') 作用于 np.array([1, 2, 3]) 得到 array([ 4, 9, 16])。
常见问题排查
“NameError: name 'x' is not defined”：使用前始终用 symbols() 定义符号。
意外的数值结果：使用了 0.5 等浮点数而非 Rational(1, 2)；应使用 Rational() 或 S() 进行精确算术。
循环中性能慢：反复使用 subs() 和 evalf()；应使用 lambdify() 创建快速数值函数。
“无法求解该方程”：尝试不同求解器（solve、solveset、nsolve 数值方法）；检查方程是否可代数求解；若无闭式解则使用数值方法。
化简未按预期工作：尝试不同化简函数（simplify、factor、expand、trigsimp）；为符号添加假设（如 positive=True）；使用 simplify(expr, force=True) 进行激进化简。
限制与注意事项
资料中的版本相关细节可能已过时，应针对已安装版本查阅官方文档确认。若指令中的函数、标志或端点在已安装版本中缺失，应查阅该版本文档并告知用户，不得虚构 API。不得编造结果、参数、标识符、引用或统计量；无法运行或验证的内容应如实说明。涉及花费金钱、占用共享 GPU 或云配额、触碰个人或患者数据、或不可撤销的操作前应先询问。
其他资源
官方文档：https://docs.sympy.org/ ；教程：https://docs.sympy.org/latest/tutorials/intro-tutorial/index.html ；API 参考：https://docs.sympy.org/latest/reference/index.html ；示例：https://github.com/sympy/sympy/tree/master/examples 。