Python中对实测x,y离散数据进行数值Mellin变换的问题咨询

SymPy提供的mellin_transform为符号计算接口，仅支持传入SymPy定义的符号表达式对象，你代码中用到的Scipy UnivariateSpline是数值拟合类的可调用对象，无法被SymPy转换为符号表达式，因此触发SympifyError报错。

对于实测离散数据，直接基于Mellin变换定义F(s) = ∫₀^∞ x^(s-1) f(x) dx做数值积分即可，不需要依赖SymPy的符号计算能力，以下是可运行的实现示例：

基于样条拟合的数值积分实现 #

import numpy as np
from scipy.interpolate import UnivariateSpline
from scipy.integrate import quad

# 加载并预处理数据
data = np.loadtxt('testData.dat')
x, y = data[:,0], data[:,1]
w = np.isnan(y)
y[w] = 0.
# 样条拟合
spl = UnivariateSpline(x, y, w=~w, s=0.001)

# 定义数值Mellin变换函数
def numerical_mellin(s, x_min=x.min(), x_max=x.max()):
    integrand = lambda x_val: (x_val ** (s - 1)) * spl(x_val)
    res, err = quad(integrand, x_min, x_max)
    return res, err

# 调用示例：计算s为指定值时的Mellin变换结果
s_target = 2
mellin_res, integral_err = numerical_mellin(s_target)
print(f"s={s_target}时Mellin变换结果：{mellin_res}，积分误差：{integral_err}")

离散点直接积分实现（无需拟合） #

如果不需要做样条平滑，可直接基于离散数据做梯形积分，计算效率更高：

import numpy as np

def discrete_mellin(s, x_arr, y_arr):
    integrand_vals = (x_arr ** (s - 1)) * y_arr
    # 梯形积分计算
    return np.trapz(integrand_vals, x_arr)

• 若你的数据x范围包含0，且x趋近于0时f(x)不为0，需确认x^(s-1)*f(x)在0点的收敛性，选择合适的s取值范围避免积分发散
• 实测数据x区间外的f(x)默认取值为0，若实际场景中x区间外f(x)有非零取值，需要补充对应区间的积分逻辑

内容的提问来源于stack exchange，提问作者Valentyn