使用Sympy nsolve求解超定方程组时遇lambdify TypeError

核心错误修正 #

你的代码里存在一个关键错误：误用了sp.euler，它是欧拉常数（γ≈0.5772），而非自然指数函数。你需要把sp.euler替换为sp.exp，这才是SymPy中用于指数运算的函数。这个错误直接导致表达式结构异常，进而触发lambdify的参数缺失错误。

超定方程组的正确处理方式 #

nsolve主要用于求解适定方程组（方程数=未知数个数），而你的场景是4个方程解2个未知数（超定系统），强行用nsolve会引发适配问题，更适合用最小二乘拟合来找到最优解（最小化所有方程残差的平方和）。

修正后的完整代码 #

import sympy as sp

f25 = 61900.
f50 = 66200.
f75 = 70700.
f90 = 77700.

mu = sp.var('mu')
sigma = sp.var('sigma')

# 修正指数函数，并简化表达式写法
def f(x):
    return (1 / sp.sqrt(2 * sp.pi * sigma**2)) * sp.exp(-(x - mu)**2 / (2 * sigma**2))

# 定义所有方程的残差
residuals = [f(f25) - 0.25, f(f50) - 0.50, f(f75) - 0.75, f(f90) - 0.90]

# 使用SymPy的leastsq求解超定方程组，传入初始猜测值
solution = sp.leastsq(residuals, (mu, sigma), (66000, 10000))
print("最小二乘解：", solution)

可选：用nsolve求解适定子集（不推荐） #

如果非要用nsolve，可以从4个方程中选2个组成适定方程组求解，但这样会忽略另外两个方程的信息，结果仅适配所选方程：

# 选取中间两个方程求解
f2 = f(f50) - 0.50
f3 = f(f75) - 0.75
solution_nsolve = sp.nsolve((f2, f3), (mu, sigma), (66000, 10000))
print("适定方程组解：", solution_nsolve)

关于你之前尝试的错误说明 #

• 给变量加嵌套列表[(mu, sigma)]是错误的，nsolve的变量参数只需传入元组或列表（如(mu, sigma)）即可。
• 初始猜测加嵌套列表[(66000, 10000)]会让SymPy把整个元组当作单个变量的初始值，引发类型错误，正确写法是直接传入(66000, 10000)。

内容的提问来源于stack exchange，提问作者user2194172