如何基于NumPy数组使用SymPy批量求解符号方程?
批量求解失效核心原因
- SymPy的
solve接口无法识别嵌套在numpy ndarray中的符号对象,直接把包含x符号的numpy数组传入时,SymPy会将整个数组判定为单个未知类型,既不会遍历数组元素逐个解析方程结构,也无法匹配求解逻辑,最终要么抛出类型错误,要么返回空结果。 - 你当前需要求解的是多组完全独立的一元线性方程,不存在变量耦合,完全不需要硬凑SymPy的批量传参逻辑。
适配多组数据的可行方案
方案1:直接用解析公式向量化计算(推荐)
所有待解方程的通用形式为:(x * a * b) / c = d
整理可得x的直接解析解:x = d * c / (a * b)
完全可以用numpy完成向量化计算,逐行遍历SymPy的性能损耗可以完全避免:
import numpy as np # 对应你代码中的参数矩阵 a = np.array([[24.39],[293.6]]) b = np.array([[0.921107170819325],[1]]) c = np.array([[143860432.178345],[143860432.178345]]) d = np.array([[0.00622765954483725],[0.0089267519953503]]) # 一次性计算所有x的解 sol = d * c / (a * b)
哪怕是几万行规模的DataFrame数据,这种方式的计算速度也比逐行调用SymPy高几个数量级。
方案2:必须使用SymPy接口时的正确写法
不要手动把符号x塞进numpy数组,逐行取出每组参数构造独立表达式,组成方程列表传入solve即可:
from sympy import symbols, solve import numpy as np x = symbols('x') # 拆分所有参数为一维数组,方便逐行遍历 a_arr = np.array([24.39, 293.6]) b_arr = np.array([0.921107170819325, 1]) c_arr = np.array([143860432.178345, 143860432.178345]) d_arr = np.array([0.00622765954483725, 0.0089267519953503]) # 构造独立方程列表 eq_list = [] for a, b, c, d in zip(a_arr, b_arr, c_arr, d_arr): eq = (x * a * b) / c - d eq_list.append(eq) # 一次性传入所有独立方程完成求解 sol = solve(eq_list, x, dict=True)
注意:由于所有方程共用同一个变量x、互相独立,solve会自动遍历每个方程的对应关系输出求解结果,不需要拆分多次调用接口。
内容的提问来源于stack exchange,提问作者Flo Cp
相关产品推荐
相关产品推荐

