本文介绍在 SymPy 中对形如 $ V = f(r) \cdot x^2 $（其中 $ r = \sqrt{x^2+y^2+z^2} $）的复合符号表达式进行偏微分的正确方法，避免出现 Subs 和 _xi_1 等不直观中间变量，获得结构清晰、数学意义明确的导数表达式。

本文介绍在 sympy 中对形如 $ v = f(r) \cdot x^2 $（其中 $ r = \sqrt{x^2+y^2+z^2} $）的复合符号表达式进行偏微分的正确方法，避免出现 `subs` 和 `_xi_1` 等不直观中间变量，获得结构清晰、数学意义明确的导数表达式。

在使用 SymPy 处理含未指定具体形式的符号函数（如 f_A(r)）的复合表达式时，直接将 r 定义为表达式（如 sp.sqrt(x**2 + y**2 + z**2)）再代入函数调用（如 sp.Function('f_A')(r)），虽语法合法，但会导致 diff() 返回含 Subs(Derivative(...), ...) 的冗余结果——这是 SymPy 为保证链式法则严格性而引入的占位机制，不利于解读与后续推导。

✅ 正确做法是：将 r 显式声明为一个依赖于 (x, y, z) 的符号函数，再通过 .subs() 手动注入其具体表达式及其偏导数。这样可清晰分离“函数依赖关系”与“具体实现”，使导数结果自然呈现为链式法则的标准形式：

import sympy as sp

x, y, z = sp.symbols('x y z')

# ✅ 步骤1：声明 r 为符号函数 r(x, y, z)，而非直接赋值为 sqrt(...)
r = sp.Function("r")(x, y, z)
r_expr = sp.sqrt(x**2 + y**2 + z**2)  # r 的实际表达式

# ✅ 步骤2：构建复合函数 f_A(r(x,y,z))
f_A = sp.Function('f_A')(r)

# ✅ 步骤3：构造目标表达式 V = f_A(r) * x^2
V = f_A * x**2

# 求偏导：自动应用链式法则，保留符号导数 Derivative(f_A(r), r)
dV_dx_chain = V.diff(x)
print("链式法则形式（符号化）：")
sp.pprint(dV_dx_chain)
# 输出：
#      ⎛ d                 ⎞   ⎛∂           ⎞            ⎛        ⎞
# x²⋅⎜───(f_A(r(x, y, z)))⎟⋅⎜──(r(x, y, z))⎟ + 2⋅x⋅f_A⎝r(x, y, z)⎠
#      ⎝dr                 ⎠   ⎝∂x          ⎠

此时结果中 Derivative(f_A(r(x,y,z)), r(x,y,z)) 表示 $ \frac{df_A}{dr} $，而 Derivative(r(x,y,z), x) 表示 $ \frac{\partial r}{\partial x} $，完全符合数学习惯。

接下来，只需代入 $ r $ 的具体表达式及其偏导数即可得到最终简洁形式：

# ✅ 步骤4：代入 r 的具体表达式和 ∂r/∂x
dr_dx = r_expr.diff(x)  # = x / sqrt(x**2 + y**2 + z**2)
dV_dx_final = dV_dx_chain.subs({
    sp.Derivative(r, x): dr_dx,
    r: r_expr  # 可选：同时替换 r(x,y,z) → sqrt(...)
})

print("\n代入后最终结果：")
sp.pprint(dV_dx_final)
# 输出（等价于 LaTeX）：
#     3      d              x⋅f_A⎛√(x² + y² + z²)⎞
#    x ⋅───(f_A(r))             ⎝                ⎠
#  ─────────────────── + 2⋅x⋅f_A⎛√(x² + y² + z²)⎞
#     √(x² + y² + z²)           ⎝                ⎠

该结果即为所求的清晰符号导数：
$$ \frac{\partial V}{\partial x} = \frac{x^3}{r} \frac{df_A}{dr} + 2x\, f_A(r), \quad \text{其中 } r = \sqrt{x^2 + y^2 + z^2} $$

⚠️ 注意事项：

• 不要直接用 f_A = sp.Function('f_A')(sp.sqrt(...)) —— 这会使 SymPy 丧失对 r 作为独立中间变量的跟踪能力；
• 若需进一步化简（如合并同类项或展开），可调用 .simplify() 或 .expand()，但需注意 Derivative(f_A(r), r) 是原子符号，不会被自动展开；
• 对高阶导数或多变量导数，此模式同样适用，只需补充对应偏导替换（如 r.diff(y) → y/r）。

掌握这一模式，即可在 SymPy 中稳健处理任意嵌套的符号函数微分问题，兼顾数学严谨性与结果可读性。