SymPy库是一个强大的符号计算库，它为Python提供了符号数学计算的能力，它提供了大量的数学符号操作的函数和类，可以帮助用户进行各种复杂的数学计算，如代数、微积分、离散数学、量子力学等。与NumPy等库主要关注数值计算不同，SymPy专注于数学表达式的符号运算。这使得SymPy在处理代数、微积分、离散数学以及物理学的许多领域中的问题时非常有用。
1.SymPy库的主要特点
-
符号表达式：SymPy允许用户使用符号变量代替具体的数值进行计算。这使得用户可以构建和操作复杂的数学表达式，而无需立即进行数值评估。
-
代数运算：SymPy提供了丰富的代数运算功能，包括符号表达式的加法、减法、乘法、除法、幂运算、对数运算等。此外，它还可以进行因式分解、展开、简化等代数操作。
-
微积分：SymPy可以处理微积分问题，包括求导、积分以及微分方程的求解。用户可以通过简单的函数调用，对符号表达式进行求导或积分运算。
-
离散数学：SymPy还提供了处理离散数学问题的功能，如求解差分方程、处理组合数学和概率论中的表达式等。
-
矩阵运算：SymPy提供了矩阵运算的功能，包括矩阵的创建、转置、求逆、行列式计算、特征值和特征向量的求解等。
-
与其他库的集成：SymPy可以与Python中的其他数学库（如NumPy、SciPy）进行无缝集成，从而提供更加全面和强大的数学计算能力。
使用SymPy库时，用户通常需要首先定义符号变量，然后构建符号表达式，最后调用相应的函数进行运算。例如，可以使用symbols函数定义符号变量，使用Eq类创建等式，然后使用solve函数求解方程。同样地，可以使用diff函数进行求导运算，使用integrate函数进行积分运算等。
2.基本用法
首先，我们需要导入SymPy库：
from sympy import symbols, Eq, solve, diff, integrate, simplify定义符号变量
使用symbols函数可以定义符号变量：
x, y = symbols('x y')构建符号表达式
定义符号变量后，我们可以构建符号表达式：
expr = x**2 + 2*x*y + y**2方程求解
使用Eq类可以创建等式，然后使用solve函数来求解方程：
equation = Eq(x**2 + y**2, 1) # 定义方程 x^2 + y^2 = 1
solutions = solve(equation.subs(y, 1), x) # 将y替换为1，然后解方程
print(solutions) # 输出方程解输出结果：
[0]
求导
使用diff函数可以对符号表达式进行求导：
derivative = diff(x**2, x) # 对x^2关于x求导
print(derivative) # 输出导数结果输出结果：
2*x
积分
使用integrate函数可以对符号表达式进行积分：
integral = integrate(x**2, x) # 对x^2关于x进行积分
print(integral) # 输出积分结果输出结果
x**3/3
表达式化简
使用simplify函数可以对复杂的符号表达式进行化简：
expr_complex = x**2 + 2*x*y + y**2
simplified_expr = simplify(expr_complex) # 化简表达式
print(simplified_expr) # 输出化简后的表达式输出结果：
x**2 + 2*x*y + y**2
矩阵运算
SymPy也支持矩阵运算。可以使用Matrix类来创建矩阵，并进行各种矩阵运算：
from sympy import Matrix
# 创建一个2x2矩阵
matrix_A = Matrix([[1, 2], [3, 4]])
# 计算矩阵的行列式
determinant = matrix_A.det()
print(determinant)
# 计算矩阵的逆
inverse_matrix = matrix_A.inv()
print(inverse_matrix)输出结果：
-2
Matrix([[-2, 1], [3/2, -1/2]])
交换变量值
虽然SymPy本身并没有直接提供交换变量值的函数，但你可以通过简单的赋值操作来实现：
from sympy import symbols, Eq, solve, diff, integrate, simplify
a, b = symbols('a b')
a_value = 10
b_value = 20
# 交换变量值
a, b = b, a
print(a) # 输出20
print(b) # 输出10输出结果：
b
a
这些只是SymPy库功能的一部分，实际上SymPy提供了许多其他功能，如求解微分方程、处理几何对象、进行多项式运算等。
3.实例操作
例1：求方程组的符号解。
解：
方法1：
import sympy as sp
sp.var('x1,x2')
s=sp.solve([x1**2+x2**2-1,x1-x2],[x1,x2])
print(s)
输出结果：
[(-sqrt(2)/2, -sqrt(2)/2), (sqrt(2)/2, sqrt(2)/2)]
方法2：
import sympy as sp
x = sp.var('x:2') #定义符号数组
s = sp.solve([x[0]**2+x[1]**2-1,x[0]-x[1]], x)
print(s)
输出结果：
[(-sqrt(2)/2, -sqrt(2)/2), (sqrt(2)/2, sqrt(2)/2)]
例2：求下列矩阵的特征值和特征向量的符号解：
解：
import numpy as np
import sympy as sp
a = np.identity(4) #单位矩阵的另一种写法
b = np.rot90(a)
c = sp.Matrix(b)
print('特征值为：', c.eigenvals())
print('特征向量为：\n', c.eigenvects())
输出结果：
特征值为： {-1.00000000000000: 2, 1.00000000000000: 2}
特征向量为：
[(-1.00000000000000, 1, [Matrix([
[ 0],
[-0.707106781186548],
[ 0.707106781186548],
[ 0]])]), (1.00000000000000, 1, [Matrix([
[ 0],
[-0.707106781186548],
[-0.707106781186548],
[ 0]])]), (-1.00000000000000, 1, [Matrix([
[ 0.707106781186548],
[ 0],
[ 0],
[-0.707106781186548]])]), (1.00000000000000, 1, [Matrix([
[-0.707106781186548],
[ 0],
[ 0],
[-0.707106781186548]])])]
个人认为用SymPy没有Numpy好用，可以回见2.4内容
import numpy as np
a = np.eye(4)
b = np.rot90(a)
c, d = np.linalg.eig(b)
print('特征值为：', c)
print('特征向量为：\n', d)
#或者
import numpy as np
# 定义一个矩阵
A = np.array([[0, 0,0,1], [0,0,1,0],[0,1,0,0],[1,0,0,0]])
# 使用numpy.linalg.eig求特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)
print("特征值:")
print(eigenvalues)
print("特征向量:")
print(eigenvectors)输出结果：
特征值为： [ 1. -1. 1. -1.]
特征向量为：
[[ 0.70710678 0.70710678 0. 0. ]
[ 0. 0. 0.70710678 -0.70710678]
[ 0. 0. 0.70710678 0.70710678]
[ 0.70710678 -0.70710678 0. 0. ]]
![[LeetCode][LCR170]交易逆序对的总数](https://img-blog.csdnimg.cn/direct/b49e9436390e499a8dcffdbbe629fe6a.png)
