Inhalt
Inhaltsverzeichnis
- Einführung in SymPy und die symbolische Algebra
- Symbole, Zahlen und grundlegende Ausdrücke
- Grundlegende algebraische Operationen
- Vereinfachung und Transformation von Ausdrücken
- Substitution, Evaluierung und Konvertierung
- Gleichungen lösen
- Gleichungssysteme
- Ungleichungen und Mengen
- Grenzen und Stetigkeit
- Ableitungen und Differentialrechnung
- Integrale und Reihen
- Matrizen und lineare Algebra
- Diskrete Mathematik und Kombinatorik
- Anwendungen in Data Science und wissenschaftlichem Rechnen
- Codegenerierung, Performance und Abschlussprojekt
Ver todos los apartados
- Einführung in SymPy und die symbolische Algebra
- Was ist die symbolische Algebra
- Vorteile gegenüber der numerischen Berechnung und ihren Grenzen
- Installation und Konfiguration von SymPy
- Die interaktive Konsole von SymPy
- Dein erster symbolischer Ausdruck
- Symbole, Zahlen und grundlegende Ausdrücke
- Symbole mit symbols() erstellen
- Annahmen und Eigenschaften von Variablen
- Numerische Typen: ganze Zahlen, rationale Zahlen, reelle Zahlen und komplexe Zahlen
- Eingebaute mathematische Konstanten
- Konvertierung zwischen nativem Python und SymPy
- Grundlegende algebraische Operationen
- Symbolische Addition, Subtraktion, Multiplikation und Division
- Potenzen und Wurzeln
- Trigonometrische und exponentielle Funktionen
- Logarithmische Funktionen
- Ausdrücke mit args und func inspizieren
- Vereinfachung und Transformation von Ausdrücken
- Allgemeine Vereinfachung mit simplify()
- Ausmultiplikation von Produkten und Potenzen
- Faktorisierung und polynomiale Zerlegung
- Partialbruchzerlegung
- Trigonometrische Vereinfachung
- Substitution, Evaluierung und Konvertierung
- Substitution mit subs()
- Numerische Auswertung mit evalf()
- Präzision und exakte Repräsentation
- Struktureller und mathematischer Vergleich
- Konvertierung von Ausdrücken in Python-Funktionen
- Gleichungen lösen
- Unterschied zwischen Ausdrücken und Gleichungen
- Lösen von Gleichungen mit solve()
- Lineare und polynomiale Gleichungen
- Rationale und transzendente Gleichungen
- Interpretation und Validierung von Lösungen
- Gleichungssysteme
- Konstruktion symbolischer Systeme
- Lineare Systeme mit solve()
- Effiziente Lösung mit linsolve()
- Nichtlineare Systeme
- Parameter und Bedingungen der Existenz
- Ungleichungen und Mengen
- Symbolische Ungleichungen in SymPy
- Lösung mit solveunivariateinequality()
- Polynomiale Ungleichungen
- Zusammengesetzte Bedingungen mit symbolischer Logik
- Intervalle und Mengen
- Grenzen und Stetigkeit
- Berechnung von Grenzwerten mit limit()
- Einseitige Grenzwerte
- Grenzen im Unendlichen
- Unbestimmte Formen
- Kontinuität und Diskontinuitäten
- Ableitungen und Differentialrechnung
- Ableitungen mit diff()
- Ableitungen höherer Ordnung
- Partielle Ableitungen
- Gradient, Jacobi-Matrix und Hesse-Matrix
- Kritische Punkte und grundlegende Optimierung
- Integrale und Reihen
- Unbestimmte Integrale mit integrate()
- Bestimmte Integrale
- Mehrfache Integrale
- Taylor- und Maclaurin-Reihen
- Konvergenz und Approximation mittels Reihen
- Matrizen und lineare Algebra
- Erstellung und Manipulation von Matrizen
- Matrizenoperationen
- Determinanten, Inverse und Rang
- Eigenwerte und Eigenvektoren
- Matrizielle Lösung linearer Systeme
- Diskrete Mathematik und Kombinatorik
- Fakultäten, Kombinationen und Permutationen
- Binomialkoeffizienten
- Primzahlen, Divisoren und ganzzahlige Faktorisierung
- Folgen und Rekurrenzen
- Anwendungen auf algorithmische Probleme
- Anwendungen in Data Science und wissenschaftlichem Rechnen
- Symbolische Modellierung physikalischer Probleme
- Kostenfunktionen und Optimierung
- Berechnung von Gradienten für maschinelles Lernen
- Symbolische Datenanalyse
- Kombination von SymPy mit NumPy und pandas
- Codegenerierung, Performance und Abschlussprojekt
- Codegenerierung mit lambdify()
- Export nach NumPy, C und anderen Sprachen
- Leistungsmessung und Grenzen des symbolischen Rechnens
- Bewährte Praktiken, Tests und Fehlerbehandlung
- Abschlussprojekt: Symbolische Analyse eines Modells
Leseprobe
Aus dem Kapitel «Einführung in SymPy und die symbolische Algebra»
Wenn du Entwickler bist und komplexe mathematische Formeln in deinen Projekten implementieren musstest, weißt du, was passiert: Eine Gleichung, die auf Papier elegant gelöst wird, verwandelt sich in einen Haufen numerischer Approximationen, Rundungsfehler und schwer zu debuggenden Code. SymPy wurde genau geschaffen, um diesen Kampf zu vermeiden.
SymPy ist eine Open-Source-Bibliothek für Python, die symbolische Algebra (oder symbolische Berechnung) ermöglicht. Anstatt mit konkreten Zahlen zu arbeiten, manipuliert SymPy mathematische Ausdrücke als Objekte, die transformiert, vereinfacht, abgeleitet, integriert oder exakt gelöst werden können – genau so, wie du es mit Bleistift und Papier machen würdest, aber automatisiert und reproduzierbar.
Dieses Kapitel vermittelt dir die Grundlagen, die du brauchst, bevor du im Buch weiterkommst. Wir sehen uns genau an, was symbolische Algebra eigentlich ist, worin sie sich vom numerischen Ansatz unterscheidet, den du bereits kennst (NumPy, SciPy usw.), wie man SymPy richtig installiert und wie man es in einem realen Projekt einsetzt. Alles aus der Perspektive eines Programmierers, der leistungsstarke Mathematik in seinen Code integrieren will, ohne selbst professioneller Mathematiker zu werden.
SymPy ist Teil des wissenschaftlichen Python-Ökosystems zusammen mit NumPy, SciPy, Pandas und Matplotlib. Es nimmt jedoch eine eigene Nische ein: Während sich die anderen Bibliotheken auf numerische Berechnungen konzentrieren (Näherungswerte mit Gleitkommazahlen), arbeitet SymPy mit exakten symbolischen Repräsentationen.
Das bedeutet, dass es:
Ausdrücke wie √2 oder π beibehalten kann, ohne sie zu approximieren. Automatisch (x + 1)² - (x² + 2x + 1) zu 0 vereinfachen kann. Gleichungen exakt lösen und Lösungen wie x = -b/(2a) statt eines Dezimalwerts zurückgeben kann. Symbolische Ableitungen und Integrale berechnen kann, die du später nur bei Bedarf numerisch auswertest.
Für einen Entwickler ist der Vorteil enorm. Im Machine Learning kannst du Verlustfunktionen symbolisch ableiten. In der Data Science kannst du Ausdrücke vereinfachen, bevor du sie in der Produktion implementierst. In der wissenschaftlichen Entwicklung kannst du validieren, dass deine numerische Implementierung mit der exakten analytischen Lösung übereinstimmt.
SymPy ist vollständig in Python geschrieben, benötigt keine externen Compiler und integriert sich nahtlos in den Rest des Ökosystems. […]




