1. 课程导入与SymPy环境搭建

在工程计算与科学推导中，我们经常面对两类任务：一类是符号推导——需要保留变量形式，求出解析表达式、化简公式、验证恒等式；另一类是数值验证——把具体数值代入，检查结果是否落在预期范围内。手工完成前者容易出错且难以复用，纯数值工具又丢失了解析结构。SymPy 正是填补这一空白的 Python 符号计算库：它用符号对象表示数学表达式，能进行代数化简、求导、积分、解方程、极限与级数展开，同时又能通过 evalf() 或 lambdify() 无缝转入数值计算，形成“先推导、后验证”的闭环。

理解 SymPy 的定位，关键是区分它与 NumPy/SciPy 的分工。NumPy 处理的是数值数组，输入 2.0 得到浮点结果；SymPy 处理的是符号表达式，输入 Rational(1,3) 或符号 x，得到的是可继续变形的表达式树。二者并非替代关系：典型工作流是用 SymPy 推出解析式，再用 lambdify 编译为 NumPy 函数做批量数值验证。下图展示了这一协作关系与本节涉及的核心对象。

安装与最小可用配置

SymPy 是纯 Python 包，推荐在虚拟环境中安装，避免与系统包冲突。以下命令在 Windows、macOS、Linux 上通用：

python -m venv symenv
# Windows: symenv\Scripts\activate
# macOS/Linux: source symenv/bin/activate
pip install sympy numpy
python -c "import sympy; print(sympy.__version__)"

若需在 Jupyter 中获得排版良好的公式输出，可额外安装 notebook 或 jupyterlab，并在首行执行 sympy.init_printing()。在脚本环境中，建议统一采用如下导入约定，避免命名空间污染：

import sympy as sp
x, y = sp.symbols('x y', real=True)
expr = sp.sin(x)**2 + sp.cos(x)**2
print(sp.simplify(expr))        # 输出 1
print(sp.diff(x**3, x))         # 输出 3*x**2
print(sp.Rational(1, 3) + sp.Rational(1, 6))  # 输出 1/2，保持精确分数

这里有两个容易踩坑的细节。第一，symbols 的返回值是符号对象，若写成 x = 'x' 则只是字符串，后续运算会报错。第二，默认符号是复数域上的通用符号，若明确变量为实数，应加 real=True，这会让 sqrt(x**2) 化简为 Abs(x) 而非 x，避免错误化简。此外，Rational(1,3) 与 1/3 不同：前者是精确有理数，后者在 Python 中已是浮点 0.333...，符号计算中应优先使用 Rational 或 S(1)/3。

第一个符号推导与数值验证案例

下面用一个完整小案例串起“推导—验证”闭环。目标：求函数 f(x) = x**3 - 3*x 的驻点，并验证驻点处导数为零、极值符号符合预期。

import sympy as sp
import numpy as np

x = sp.symbols('x', real=True)
f = x**3 - 3*x
df = sp.diff(f, x)                 # 3*x**2 - 3
crit = sp.solve(sp.Eq(df, 0), x)   # [-1, 1]
print("驻点:", crit)

d2f = sp.diff(f, x, 2)             # 6*x
for c in crit:
    print(c, "二阶导:", d2f.subs(x, c), "f值:", f.subs(x, c))

推导结果为驻点 x = -1 与 x = 1。二阶导在 x=-1 处为 -6 < 0，是极大值点，f(-1)=2；在 x=1 处为 6 > 0，是极小值点，f(1)=-2。接下来做数值验证：把解析导数编译为 NumPy 函数，在驻点附近取点检查导数是否接近零，并抽样比对解析值与数值差分。

df_num = sp.lambdify(x, df, 'numpy')
f_num  = sp.lambdify(x, f,  'numpy')

for c in [-1.0, 1.0]:
    print(c, "解析导数:", df_num(c))   # 应接近 0

# 中心差分近似导数，与解析导数比对
xs = np.linspace(-2, 2, 9)
h = 1e-6
approx = (f_num(xs+h) - f_num(xs-h)) / (2*h)
exact  = df_num(xs)
print("最大绝对误差:", np.max(np.abs(approx - exact)))

判断依据很直接：驻点处 df_num(±1) 应在 1e-15 量级（浮点舍入误差），中心差分与解析导数的最大绝对误差应在 1e-6 到 1e-8 量级（受步长 h 与截断误差共同影响）。若误差明显偏大，常见原因是 lambdify 时未指定 'numpy' 导致回退到 SymPy 求值，或采样点跨越了不可导点。这个“解析求驻点 → 二阶导判型 → 数值抽样比对”的套路，正是后续各章反复使用的基本范式。

最后强调一个习惯：每次符号推导后，至少做一次“代值检查”。例如把 x=2 代入化简前后的两个表达式，用 sp.simplify(a - b) == 0 判断是否恒等，比肉眼比对更可靠。SymPy 的价值不在于替你做数学，而在于把每一步变形变成可复现、可验证的代码，让推导结论有据可查。