如何在Python中实现符号向量的平方运算？

方法1：直接利用NumPy元素级运算 + 列表推导式化简 #

NumPy对包含SymPy符号的数组支持元素级运算，直接执行公式即可；化简时用列表推导式逐个处理元素比np.vectorize更可靠：

import numpy as np
import sympy as sp

a, b, c, f, g = sp.symbols('a b c f g')
M = np.array([a, b, c])

# 直接完成公式的元素级运算
B = f * M ** 2 * g

# 逐个化简数组中的符号表达式
B_simplified = np.array([sp.simplify(term) for term in B])

print(B_simplified)
# 输出：array([a**2*f*g, b**2*f*g, c**2*f*g], dtype=object)

方法2：使用SymPy原生Matrix处理符号向量 #

如果以符号运算为主，更推荐用SymPy自带的Matrix类型，避免NumPy与SymPy的类型兼容问题：

import sympy as sp

a, b, c, f, g = sp.symbols('a b c f g')
M_sym = sp.Matrix([a, b, c])

# 对每个元素做平方运算后完成公式计算
B_sym = f * M_sym.applyfunc(lambda x: x**2) * g

print(B_sym)
# 输出：Matrix([[a**2*f*g], [b**2*f*g], [c**2*f*g]])

原方法失效的原因 #

np.vectorize(sp.simplify)(M**2)的问题在于：

1. M**2已经正确完成了元素级平方运算，得到array([a**2, b**2, c**2], dtype=object)，此时用np.vectorize包裹simplify属于冗余操作。
2. np.vectorize本质是循环语法糖，在处理SymPy符号对象时，可能因类型交互问题出现预期外结果，稳定性远不如列表推导式或SymPy原生方法。

内容的提问来源于stack exchange，提问作者Mo711