
本文详解如何在 python 中使用 sympy 正确计算函数在指定点处的洛朗级数各阶系数,解决符号阶导数无法求值的核心问题,并提供可直接运行的优化实现、收敛半径估算及关键注意事项。
本文详解如何在 python 中使用 sympy 正确计算函数在指定点处的洛朗级数各阶系数,解决符号阶导数无法求值的核心问题,并提供可直接运行的优化实现、收敛半径估算及关键注意事项。
洛朗级数是复变函数在孤立奇点邻域内的核心展开形式,其一般形式为:
[
f(z) = \sum_{n=-\infty}^{\infty} a_n (z - z_0)^n
]
其中,负幂项构成主部(principal part),反映奇点性质;非负幂项构成解析部分(analytic part),对应泰勒展开。SymPy 本身不支持直接对符号阶数 n 求导(如 diff(f, z, n) 在 n 为 Symbol 时返回未计算表达式),因此需采用分段策略 + 整数循环 + 缓存优化来可靠获取系数。
✅ 推荐实现:鲁棒、高效、支持主部与解析部
以下函数 compute_laurent_coefficients 综合处理三类情况:
- 若展开中心
z0非奇点 → 主部系数全为 0; - 若
z0是极点 → 利用留数(sp.residue)或广义柯西公式计算负幂系数; - 解析部分统一用高阶导数定义(
f^{(n)}(z0)/n!),并借助@lru_cache避免重复求导开销。
import sympy as sp
from functools import lru_cache
def compute_laurent_coefficients(w, z, z0, num_terms):
"""计算洛朗级数从 -num_terms 到 +num_terms 的所有系数 a_n"""
# 自动检测 z0 是否为有限奇点(极点/本性奇点)
singularities = [p for p in sp.singularities(w, z) if p.is_finite]
is_pole = z0 in singularities
@lru_cache(maxsize=None)
def nth_derivative(n):
return sp.diff(w, z, n)
coefficients = []
for n in range(-num_terms, num_terms + 1):
if n < 0:
m = -n # 对应 (z - z0)^{-m} 项
if not is_pole:
a_n = 0
else:
if m == 1:
# 一阶极点:直接用留数
a_n = sp.residue(w, z, z0)
else:
# m 阶极点:使用公式 a_{-m} = 1/(m-1)! * d^{m-1}/dz^{m-1} [ (z-z0)^m f(z) ] |_{z=z0}
expr = w * (z - z0)**m
a_n = expr.diff(z, m-1).subs(z, z0) / sp.factorial(m-1)
else:
# 解析部分:标准泰勒系数
a_n = nth_derivative(n).subs(z, z0) / sp.factorial(n)
coefficients.append((n, sp.simplify(a_n)))
return coefficients
# 示例:f(z) = 1/(z - 2) 在 z0 = 1 处展开(以 1 为中心,奇点在 2,故为解析函数 → 主部为 0)
z = sp.symbols('z')
w = 1 / (z - 2)
z0 = 1
coeffs = compute_laurent_coefficients(w, z, z0, num_terms=4)
print("洛朗系数(a_n 对应 (z-1)^n):")
for n, a_n in coeffs:
print(f"a_{n} = {a_n}")输出示例(前几项):
a_-4 = 0 a_-3 = 0 a_-2 = 0 a_-1 = 0 a_0 = -1 a_1 = -1 a_2 = -1 a_3 = -1 a_4 = -1这与理论一致:
1/(z-2) = -1/(1 - (z-1)) = -∑(z-1)^n(|z−1|
⚠️ 关键注意事项
-
不可用
sp.SeqFormula或符号阶导数:sp.diff(f, z, n)中n必须为 Python 整数(int),不能是sp.Symbol('n'),否则返回未计算的导数占位符。 -
奇点类型决定主部计算方式:上述代码默认按极点处理。若
z0是本性奇点(如exp(1/z)在z=0),需改用积分定义或级数代入法(SymPy 的series()可辅助,但需手动提取系数)。 -
收敛环域(Annulus)需单独分析:洛朗级数收敛于
r ,其中 <ul> <li> <code>r = limsup_{n→∞} |a_{-n}|^{1/n}(主部决定内半径), -
R = 1 / limsup_{n→∞} |a_n|^{1/n}(解析部决定外半径)。
实际中更推荐通过最近奇点距离确定:设S为f在z0外的所有有限奇点集合,则r = 0(若z0非奇点),R = min{|s − z0| : s ∈ S}。
? 补充:快速估算收敛环域(实用版)
def estimate_convergence_ring(w, z, z0, coefficients):
"""基于奇点位置估算收敛环域 r < |z - z0| < R"""
sing = [s for s in sp.singularities(w, z) if s.is_finite and s != z0]
if not sing:
return 0, sp.oo
distances = [abs(s - z0) for s in sing]
R = min(distances) # 外半径:到最近奇点的距离
# 内半径:若 z0 是奇点,需进一步分析;否则 r = 0
r = 0 if z0 not in [p for p in sp.singularities(w, z) if p.is_finite] else \
max(0.001, min([abs(s - z0) for s in sing if s != z0], default=0))
return r, R
r, R = estimate_convergence_ring(w, z, z0, coeffs)
print(f"\n收敛环域估计:{r} < |z - {z0}| < {R}")综上,掌握“整数循环 + 分段公式 + 奇点预检 + 缓存加速”四要素,即可稳健、高效地用 SymPy 完成大学课程所需的洛朗系数编程任务。务必避免对符号 n 求导,而应将数学定义转化为可执行的数值/符号混合逻辑。

















