如何从sympy.diff提取函数适配scipy.fsolve？导数根求解提速

你遇到的核心问题是：sympy.solve会尝试求解所有解析根，导致速度极慢，但你只需要靠近x0的单个数值根；而用scipy.fsolve时报错，是因为sympy的表达式对象（如Mul）不能直接作为可调用函数传入。

以下是几种高效的解决方法：

方案1：用sympy.lambdify转换表达式适配scipy.fsolve #

把sympy的符号表达式转换成numpy兼容的可调用函数，就能直接给fsolve使用。同时可以优化求导逻辑，避免开根号简化计算：

import sympy
from scipy.optimize import fsolve

def diff_dist_func(a, b, c):
    x = sympy.Symbol('x')
    x0 = sympy.Symbol('x0')
    y0 = sympy.Symbol('y0')
    # 优化：直接对距离平方求导，和原距离导数为0的根完全一致，避免开根号
    dist_sq = (x - x0) ** 2 + (a * x ** 3 + b * x ** 2 + c * x - y0) ** 2
    return sympy.diff(dist_sq, x)

a = -0.00020129919480721813
b = 0.10107634020780536
c = -12.305150031126267
shortest_dist = diff_dist_func(a, b, c)

x0_val = 252.3007982720215
y0_val = 96.55526056735049
# 代入x0、y0的数值，保留x作为变量的符号表达式
expr = shortest_dist.subs({'x0': x0_val, 'y0': y0_val})
# 将符号表达式转成可调用的数值函数
func = sympy.lambdify(sympy.Symbol('x'), expr, 'numpy')
# 用fsolve求解，初始值设为x0_val，快速得到附近的根
solve_x = fsolve(func, x0_val)
print(solve_x)

方案2：直接用sympy.nsolve求数值解 #

如果不想依赖scipy，sympy自带的nsolve支持指定初始值，专门求解单个数值根，速度远快于solve：

import sympy

def diff_dist_func(a, b, c):
    x = sympy.Symbol('x')
    x0 = sympy.Symbol('x0')
    y0 = sympy.Symbol('y0')
    dist_sq = (x - x0) ** 2 + (a * x ** 3 + b * x ** 2 + c * x - y0) ** 2
    return sympy.diff(dist_sq, x)

a = -0.00020129919480721813
b = 0.10107634020780536
c = -12.305150031126267
shortest_dist = diff_dist_func(a, b, c)

x0_val = 252.3007982720215
y0_val = 96.55526056735049
expr = shortest_dist.subs({'x0': x0_val, 'y0': y0_val})
x = sympy.Symbol('x')
# 指定初始值x0_val，直接求解附近的根
solve_x = sympy.nsolve(expr, x, x0_val)
print(solve_x)

关键说明 #

1. 为什么原代码报错：你用evalf(subs=...)得到的是sympy的数值表达式对象（如Mul），这不是可调用函数，fsolve需要的是能接受数值参数并返回数值的函数，lambdify就是做这个转换的。
2. 求导优化的原因：原距离函数的导数为0，等价于距离平方的导数为0（因为距离是正数，链式法则推导可得），去掉根号后sympy的计算量大幅降低，求导和后续处理都更快。

内容的提问来源于stack exchange，提问作者xc-2021