如何在SymPy中正确实现张量缩并：解决向量维度匹配问题

问题场景 #

我正在学习SymPy的Tensor模块，尝试实现类似矩阵与列向量相乘的缩并操作，但遇到了维度匹配错误。

报错代码 #

from sympy.tensor.tensor import TensorIndexType, TensorHead, tensor_indices
import sympy as smp

ExTen = TensorIndexType('ExampleTensor')
m, n = tensor_indices('m n', ExTen)
T = TensorHead('T', [ExTen, ExTen])

ExVec = TensorIndexType('ExampleVector')
V = TensorHead('V', [ExVec])

a, b, c, d = smp.symbols('a b c d')
v1, v2 = smp.symbols('v_1, v_2')

(T(n, -m) * V(m)).replace_with_arrays({V(m): smp.Array([[v1], [v2]]), T(n, -m): smp.Array([[a, b], [c, d]])})

触发错误 #

ValueError: shapes for tensor V(m) expected to be [dim_E], replacement array shape is (2, 1)

临时可行方案 #

将向量改为1维数组（行向量形式）后代码可正常运行，但结果是1维数组，不符合预期的列向量输出：

(T(n, -m) * V(m)).replace_with_arrays({V(m): smp.Array([v1, v2]), T(n, -m): smp.Array([[a, b], [c, d]])})

解决方案 #

SymPy的replace_with_arrays对张量阶数与数组形状有严格匹配要求：1阶张量必须对应1维数组，2阶张量对应2维数组，以此类推。(2,1)是2阶数组，无法直接替换1阶张量V(m)。要实现传入列向量形式并得到列向量结果，可按以下两种方式处理：

方式1：先计算再reshape #

用1维数组传入向量完成缩并，再将结果reshape为列向量：

from sympy.tensor.tensor import TensorIndexType, TensorHead, tensor_indices
import sympy as smp

ExTen = TensorIndexType('ExampleTensor', dim=2)
m, n = tensor_indices('m n', ExTen)
T = TensorHead('T', [ExTen, ExTen])

ExVec = TensorIndexType('ExampleVector', dim=2)
V = TensorHead('V', [ExVec])

a, b, c, d = smp.symbols('a b c d')
v1, v2 = smp.symbols('v_1, v_2')

# 用1维数组计算得到1维结果
result_1d = (T(n, -m) * V(m)).replace_with_arrays({V(m): smp.Array([v1, v2]), T(n, -m): smp.Array([[a, b], [c, d]])})
# 转换为列向量
result_col = result_1d.reshape(2, 1)
print(result_col)

输出：

[[a*v_1 + b*v_2], [c*v_1 + d*v_2]]

方式2：用协变指标匹配数学意义 #

将向量定义为协变张量（下标指标），计算后转置为列向量，更符合张量分析的数学逻辑：

from sympy.tensor.tensor import TensorIndexType, TensorHead, tensor_indices
import sympy as smp

ExTen = TensorIndexType('ExampleTensor', dim=2)
m, n = tensor_indices('m n', ExTen)
T = TensorHead('T', [ExTen, ExTen])

ExVec = TensorIndexType('ExampleVector', dim=2)
V = TensorHead('V', [ExVec])

a, b, c, d = smp.symbols('a b c d')
v1, v2 = smp.symbols('v_1, v_2')

# 定义协变指标的向量
v_cov = tensor_indices('-v', ExVec)[0]
# 缩并计算
result_cov = (T(n, -m) * V(v_cov)).replace_with_arrays({V(v_cov): smp.Array([v1, v2]), T(n, -m): smp.Array([[a, b], [c, d]])})
# 转换为列向量
result_col = result_cov.reshape(2, 1)
print(result_col)

原理说明 #

在SymPy Tensor模块中：

• 1阶逆变张量（上标指标，如V(m)）对应数学中的行向量，用1维数组表示
• 1阶协变张量（下标指标，如V(-m)）对应数学中的列向量，同样用1维数组表示
• 缩并操作的结果默认以1维数组输出，如需二维列向量形式，需手动调用reshape转换

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