本文介绍如何使用 SymPy 对形如 $ V = f(r)\,x^2 $（其中 $ r = \sqrt{x^2+y^2+z^2} $，$ f $ 为未指定的具体函数）的符号表达式关于 $ x $ 求导，并避免出现 Subs 和 _xi_1 等不直观中间变量，从而获得符合数学习惯的链式法则表达式：$ \frac{x^3}{r}\,f'(r) + 2x\,f(r) $。
本文介绍如何使用 sympy 对形如 $ v = f(r)\,x^2 $（其中 $ r = \sqrt{x^2+y^2+z^2} $，$ f $ 为未指定的具体函数）的符号表达式关于 $ x $ 求导，并避免出现 `subs` 和 `_xi_1` 等不直观中间变量，从而获得符合数学习惯的链式法则表达式：$ \frac{x^3}{r}\,f'(r) + 2x\,f(r) $。
在 SymPy 中直接将 r 定义为表达式（如 sp.sqrt(x**2 + y**2 + z**2)）再传入 Function('f_A')(r)，会导致求导时自动展开为 Subs(Derivative(...)) 形式——这是 SymPy 为保证严格性而采用的惰性求值机制，但可读性差，不便于后续解析或 LaTeX 渲染。
更优策略是将 r 显式建模为一个符号函数 r(x, y, z)，再将其作为 f_A 的自变量。这样，diff() 会自然按链式法则生成结构清晰的导数项：
import sympy as sp
x, y, z = sp.symbols('x y z')
r = sp.Function("r")(x, y, z) # r 作为抽象函数：r(x, y, z)
r_expr = sp.sqrt(x**2 + y**2 + z**2) # r 的具体表达式
f_A = sp.Function('f_A')(r) # f_A 作用于 r(x,y,z)
V = f_A * x**2
dV_dx = V.diff(x)
此时 dV_dx 输出为：
x**2*Derivative(f_A(r(x, y, z)), r(x, y, z))*Derivative(r(x, y, z), x) + 2*x*f_A(r(x, y, z))
该结果明确分离出两部分：
- $ \displaystyle \frac{df_A}{dr} \cdot \frac{\partial r}{\partial x} $（链式法则核心）
- $ 2x\,f_A(r) $（乘积法则中对 $ x^2 $ 的求导）
接下来，用 subs() 将抽象导数 Derivative(r(x,y,z), x) 替换为其显式值：
dV_dx_simplified = dV_dx.subs(sp.Derivative(r, x), r_expr.diff(x)) print(sp.simplify(dV_dx_simplified))
输出即为：
x**3*Derivative(f_A(r(x, y, z)), r(x, y, z))/sqrt(x**2 + y**2 + z**2) + 2*x*f_A(r(x, y, z))
若希望进一步将 Derivative(f_A(r(x,y,z)), r(x,y,z)) 显示为更简洁的 $ f_A'(r) $，可借助 sp.Derivative 的 .doit() 配合自定义替换，或直接使用 sp.symbols("f_prime") 进行语义标注；但在纯符号推导中，保留 Derivative(f_A(r), r) 已是最规范、可微分且可继续参与高阶运算的形式。
✅ 关键要点总结：
- ❌ 避免
f_A(sp.sqrt(...))直接嵌套 —— 导致Subs和_xi_1干扰可读性； - ✅ 使用
sp.Function("r")(x,y,z)抽象建模中间变量，使链式法则显式化； - ✅ 用
.subs(Derivative(r,x), r_expr.diff(x))注入具体偏导，兼顾符号性与可解释性； - ✅ 结果天然支持 LaTeX 输出（如
sp.latex(dV_dx_simplified)），便于论文或文档集成。
此方法广泛适用于物理建模（如势函数 $ V(\mathbf{r}) $）、坐标变换下的微分推导及符号 Jacobian 构造等场景。
