Python/SymPy求解不适定非线性方程卡顿，无法获取数值解咨询

首先，Python求解两位小数精度的数值解完全没有局限，你遇到的卡顿是因为用错了求解工具：Sympy的solve是符号求解器，它试图寻找方程的解析解，而你的方程是复杂的非线性超越方程，不存在解析解，导致Sympy陷入无意义的符号计算循环，最终卡顿。而Desmos用的是数值迭代求解，直接从初始猜测出发逼近解，所以效率很高。

修正方案：改用数值求解器 #

方案1：使用Sympy内置的数值求解函数nsolve #

nsolve专门用于非线性方程的数值求解，需要传入初始猜测值（比如你已知的0.024）：

import sympy

x = sympy.symbols('x')
e_1 = x**-0.5
e_2 = -2*sympy.log(0.0001*3.7**-1*0.05**-1 + 2.51*350000**-1*x**-0.5, 10)
# 用nsolve，传入方程、变量、初始猜测值
sol = sympy.nsolve(e_2 - e_1, x, 0.024)
num = float(sol)
# 保留两位小数输出
print(round(num, 2))

方案2：使用Scipy的数值根求解器（更高效） #

如果需要更快的计算速度，推荐用scipy.optimize.root_scalar，它是专门的数值求解工具：

from scipy.optimize import root_scalar
import numpy as np

def equation(x):
    e1 = x ** -0.5
    term = 0.0001 * (3.7 ** -1) * (0.05 ** -1) + 2.51 * (350000 ** -1) * (x ** -0.5)
    e2 = -2 * np.log10(term)
    return e2 - e1

# 调用根求解器，指定解所在的区间
result = root_scalar(equation, bracket=[0.01, 0.03], method='brentq')
# 保留两位小数
print(round(result.root, 2))

关键说明 #

• 符号求解（sympy.solve）适合有解析解的简单方程，复杂非线性方程必须用数值求解。
• 数值求解需要初始猜测值（或解所在的区间），你从Desmos得到的0.024正好可以作为初始值，大幅提升求解效率。
• Python对小数精度的支持完全满足需求，只要选对工具，求解两位小数解毫无压力。

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