如何用Sympy合并多个lambdify生成的函数？

1. 手动构建完整符号表达式（避开CSE自动优化的bug） #

既然手动拆分辅助函数可行，说明中间步骤的符号表达式是正确的。可以将这些中间符号结果手动代入最终的加速度表达式，生成完整的符号函数后再进行lambdify：

import sympy as sp

# 定义原变量
t, x, y, z = sp.symbols('t x y z')

# 第一步变换：定义中间符号表达式T1（替换为你的实际变换逻辑）
T1_x = sp.cos(t)*x - sp.sin(t)*y
T1_y = sp.sin(t)*x + sp.cos(t)*y
T1_z = z

# 第二步变换：基于T1的结果定义T2（替换为你的实际变换逻辑）
T2_x = T1_x + sp.sin(t)*T1_z
T2_y = T1_y - sp.cos(t)*T1_z
T2_z = T1_z + t

# 求和得到加速度向量（替换为你的实际求和/加速度计算逻辑）
a_x = sp.diff(T2_x, t, 2) + sp.diff(T2_x, x)*x
a_y = sp.diff(T2_y, t, 2) + sp.diff(T2_y, y)*y
a_z = sp.diff(T2_z, t, 2) + sp.diff(T2_z, z)*z

# 生成完整的加速度向量表达式
a_expr = sp.Matrix([a_x, a_y, a_z])

# lambdify生成单一可调用函数
accel_func = sp.lambdify((t, x, y, z), a_expr, modules=['numpy'])

这种方法直接通过符号代入生成完整表达式，避开了Sympy自动CSE的bug，同时得到的单一函数可直接用于后续的符号导数计算（基于a_expr对原变量求导）和codegen。

2. 包装多lambdify函数为单一可调用对象（兼顾效率与符号操作） #

如果完整符号表达式过于庞大导致lambdify耗时，可将多个辅助lambdify函数包装成一个单一函数，同时保留原始符号表达式用于后续求导和代码生成：

import sympy as sp
import numpy as np

# 定义所有中间符号表达式（同方法1）
t, x, y, z = sp.symbols('t x y z')
T1_x = sp.cos(t)*x - sp.sin(t)*y
T1_y = sp.sin(t)*x + sp.cos(t)*y
T1_z = z
T2_x = T1_x + sp.sin(t)*T1_z
T2_y = T1_y - sp.cos(t)*T1_z
T2_z = T1_z + t
a_x = sp.diff(T2_x, t, 2) + sp.diff(T2_x, x)*x
a_y = sp.diff(T2_y, t, 2) + sp.diff(T2_y, y)*y
a_z = sp.diff(T2_z, t, 2) + sp.diff(T2_z, z)*z

# 生成各步骤的辅助lambdify函数
T1_func = sp.lambdify((t, x, y, z), [T1_x, T1_y, T1_z], modules=['numpy'])
T2_func = sp.lambdify((t, t1_x, t1_y, t1_z), [T2_x, T2_y, T2_z], modules=['numpy'])
a_func = sp.lambdify((t, t2_x, t2_y, t2_z, x, y, z), [a_x, a_y, a_z], modules=['numpy'])

# 包装为单一对外函数
def accel_func(t, x, y, z):
    t1_x, t1_y, t1_z = T1_func(t, x, y, z)
    t2_x, t2_y, t2_z = T2_func(t, t1_x, t1_y, t1_z)
    return np.array(a_func(t, t2_x, t2_y, t2_z, x, y, z))

# 后续符号求导仍基于原始符号表达式
da_dx = sp.diff(a_x, x)
da_dx_func = sp.lambdify((t, x, y, z), da_dx, modules=['numpy'])

# codegen直接针对完整符号表达式生成代码
sp.codegen(('acceleration', sp.Matrix([a_x, a_y, a_z])), language='python', filename='accel_code')[0]

这种方式既保留了拆分辅助函数的运行效率，又能基于原始符号表达式完成后续的导数计算和代码生成需求。

3. 用Numba加速lambdify生成的单一函数 #

如果求值效率是核心痛点，可将numba作为lambdify的后端，对单一函数进行JIT编译，大幅提升运行速度：

# 基于方法1的完整符号表达式a_expr
accel_func = sp.lambdify((t, x, y, z), a_expr, modules=['numba', 'numpy'])

注意：Numba对Sympy的部分符号操作支持有限，若出现兼容性问题，可先通过sp.simplify简化表达式，或手动替换Numba不支持的函数为numpy兼容实现。

内容的提问来源于stack exchange，提问作者Sam