Python中快速解析数学表达式：大量JSON公式高效求值方案咨询

一、Sympy内部优化方案 #

当前用subs循环求值效率极低，Sympy本身提供了更高效的lambdify方法，能把符号表达式转换成可直接调用的Python/NumPy函数，批量处理数据时速度提升显著，还能减少Decimal转换的额外开销：

1. 转成NumPy批量函数（最快，适合非超高精度场景） #

如果不需要Decimal级别的高精度，直接用NumPy数组批量计算，完全避免循环：

from sympy import Symbol, parse_expr, lambdify
import numpy as np

# 仅解析一次公式（关键：避免重复解析开销）
input_sym = Symbol("input")
formula = "1015995338000000 - (1.180266595461174895340000000E+28 / (11616850504302 + input * 12.884))"
parsed_expr = parse_expr(formula, local_dict={"input": input_sym})

# 生成NumPy兼容的求值函数
numpy_eval = lambdify(input_sym, parsed_expr, modules="numpy")

# 批量传入数组，直接得到结果数组
values = np.array([100.0, 200.0, 300.0])
results = numpy_eval(values)

2. 保留Decimal精度的优化 #

如果必须用Decimal，lambdify可以指定使用decimal模块，避免手动转换字符串：

from decimal import Decimal
decimal_eval = lambdify(input_sym, parsed_expr, modules={"Decimal": Decimal})

# 批量处理时尽量减少循环内的重复操作
results_decimal = [decimal_eval(Decimal(v)) for v in values]

二、更快的替代库 #

如果不需要Sympy的符号运算能力（比如公式固定，仅需数值计算），这些库的速度远胜Sympy：

1. Numexpr - 专门优化数值表达式计算 #

Numexpr会自动优化表达式并利用多核CPU并行计算，比NumPy更快，尤其是复杂表达式：

import numexpr as ne
import numpy as np

formula = "1015995338000000 - (1.180266595461174895340000000E+28 / (11616850504302 + input * 12.884))"
values = np.array([100.0, 200.0, 300.0])

# 直接传入表达式字符串和参数，批量求值
results = ne.evaluate(formula, local_dict={"input": values})

2. Numba - 编译Python函数为机器码 #

把求值逻辑写成普通Python函数，用@njit装饰器编译成机器码，循环求值的速度能接近C语言：

from numba import njit
import numpy as np

@njit  # 编译成机器码，仅第一次调用有编译开销
def eval_formula(input_values):
    results = np.empty_like(input_values)
    # 提前定义常量，避免循环内重复计算
    const1 = 1015995338000000.0
    const2 = 1.1802665954611749e28
    const3 = 11616850504302.0
    const4 = 12.884
    for i in range(len(input_values)):
        denominator = const3 + input_values[i] * const4
        results[i] = const1 - (const2 / denominator)
    return results

values = np.array([100.0, 200.0, 300.0])
results = eval_formula(values)

3. PyPy - 替换CPython解释器 #

如果你的代码以纯Python循环为主，用PyPy运行可以大幅提升速度（注意：部分科学计算库兼容性略差，但纯数值计算场景表现很好）。

三、核心优化原则 #

• 避免重复解析公式：不管用哪种方案，公式只解析/编译一次，重复使用生成的函数。
• 批量处理优先：尽量用数组批量计算替代单值循环，利用底层库的并行优化。
• 减少高精度开销：如果业务允许，用float64（NumPy）替代Decimal，能带来数量级的速度提升。

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