Python使用SymPy和Manim轻松搞定导数动画
作者：databook
大家好，你有没有试过在 Manim 里做导数定义的动画？
就是那个经典的场景：画一条曲线，再画一条割线，然后让割线上的一个点无限逼近另一个点，最后变成切线。
这个过程的核心是计算割线的斜率 (f(x+h) - f(x)) / h，并观察当 h 趋近于 0 时，这个斜率是如何变化的。
听起来很简单，但实际操作起来，手动去推导极限、计算每一帧的坐标，不仅繁琐，还特别容易出错。
相信不少朋友都为此头疼过。
想象一下，我们要为函数f(x)=x3−2x+1 做一个在x=1 处的切线动画。
- 定义割线：我们需要两个点，P(1,f(1)) 和Q(1+h,f(1+h))。
- 计算斜率：slope=(f(1+h)−f(1))/h。
- 求极限：为了让动画平滑过渡到切线，我们需要知道当 h→0 时，slope 的精确值，也就是f′(1)。
- 动态更新：在动画中，h是一个不断变小的值（比如从 1 变到 0.01），我们需要为每一个 h 实时计算 Q 点的坐标和割线的斜率。
如果手动来做，第2、3步就需要展开(1+h)3−2(1+h)+1，再减去f(1)，化简，最后求极限。
对于复杂的函数，这简直是灾难！（比如函数f(x)=sin(x2)）
而且，在代码里硬编码这些公式，一旦函数变了，所有计算都得重来。
这就是我们的痛点：动态、精准、自动化地处理符号计算。
SymPy 解决方案：让计算机做数学
SymPy 正是解决这个问题的完美工具，它可以把 x, h 当作真正的数学符号来处理，而不是具体的数字。
针对我们的需求，只需要两个核心函数：
diff(f, x): 自动求导。直接告诉我们f(x)的导函数是什么。limit(expr, h, 0): 计算极限。可以验证我们的割线斜率在h->0时的确等于导数值。
下面看一段核心的 SymPy 代码，感受一下它的威力：
from sympy import symbols, diff, limit
# 定义符号变量
x = symbols('x')
# 定义我们的函数 f(x)
f = x**3 - 2*x + 1
# --- 核心操作 ---
# 自动求导，得到 f'(x)
f_prime = diff(f, x)
print(f"导函数 f'(x) = {f_prime}")
# 输出: 导函数 f'(x) = 3*x**2 - 2
# 在 x=1 处的导数值
slope_at_1 = f_prime.subs(x, 1)
print(f"x=1 处的瞬时变化率 (斜率) = {slope_at_1}")
# 输出: x=1 处的瞬时变化率 (斜率) = 1
# 用极限来验证割线斜率
# 割线斜率表达式
secant_slope_expr = (f.subs(x, 1+h) - f.subs(x, 1)) / h
# 计算 h->0 时的极限
limit_slope = limit(secant_slope_expr, h, 0)
print(f"通过极限计算得到的斜率 = {limit_slope}")
# 输出: 通过极限计算得到的斜率 = 1
看！我们完全不用关心中间复杂的代数运算，SymPy 几行代码就帮我们完成了求导和极限验证，并且结果精确无误。
这为我们接下来的 Manim 动画提供了坚实的数学基础。
Manim 联动实战：让切线“动”起来
现在，我们将 SymPy 的计算能力嵌入到 Manim 动画中。
我们将使用 ValueTracker 来控制 h 的值，让它从一个较大的数（如1）逐渐减小到接近0。
在每一帧，Manim 都会调用 SymPy 重新计算 Q 点的位置和割线，从而实现动态效果。
下面是核心的代码：
from manim import *
from sympy import symbols, lambdify, diff
class DerivativeAnimation(Scene):
def construct(self):
# ========== SymPy 符号计算部分 ==========
x_sym = symbols("x")
f_sym = x_sym**3 - 2*x_sym + 1 # 原函数：f(x) = x³ - 2x + 1
f = lambdify(x_sym, f_sym, "numpy") # 转为 NumPy 函数供绘图
f_prime_sym = diff(f_sym, x_sym) # SymPy 自动求导：f'(x) = 3x² - 2
x_p = 1 # 切点横坐标
exact_k = float(f_prime_sym.subs(x_sym, x_p)) # 精确导数 f'(1) = 1
# ========== Manim 坐标系与曲线 ==========
ax = Axes(x_range=[-2, 3], y_range=[-3, 5])
graph = ax.plot(f, color=YELLOW) # 原函数曲线
p_point = Dot(ax.c2p(x_p, f(x_p)), color=RED) # 切点 P
# ========== ValueTracker 驱动割线动态逼近 ==========
h_tracker = ValueTracker(1) # h 从 1 逐渐减小到 0.001
# 割线：随 h 变化而重新绘制
def get_secant_line():
h_val = h_tracker.get_value()
x_q = x_p + h_val
k = (f(x_q) - f(x_p)) / h_val # 割线斜率 Δy/Δx
return ax.plot(
lambda x: k * (x - x_p) + f(x_p), # 点斜式
color=GREEN, x_range=[x_p - 1, x_q + 1]
)
secant_line = always_redraw(get_secant_line)
# 切线：使用 SymPy 算出的精确导数
tangent_line = ax.plot(
lambda x: exact_k * (x - x_p) + f(x_p),
color=PURPLE, x_range=[-0.5, 2.5]
)
# ========== 动画流程 ==========
self.play(Create(ax), Create(graph), Create(p_point))
self.play(Create(secant_line))
# 核心：h → 0，割线动态逼近切线
self.play(
h_tracker.animate.set_value(0.001),
run_time=5,
rate_func=rate_functions.ease_in_out_quad,
)
# 对比展示精确切线
self.play(Create(tangent_line))
self.wait(1)
代码关键点解析
lambdify: 连接SymPy和Manim的桥梁。它把SymPy的符号表达式f_sym转换成一个普通的Python函数f，这个函数可以接受NumPy数组作为输入，正好符合 Manimax.plot()的要求。ValueTracker:Manim中创建动态效果的核心。h_tracker存储了h的当前值。always_redraw: 这个装饰器告诉Manim，被它修饰的对象（如q_point和secant_line）需要在每一帧都重新计算和绘制。它们内部的函数get_q_point和get_secant_line会读取h_tracker的最新值，并调用f函数来获取最新的坐标。- 动态割线: 在
get_secant_line中，我们虽然可以直接用两点式画线，但这里展示了如何利用SymPy的思想——通过计算斜率和截距来定义直线，逻辑更清晰。
效果展示说明
运行这段代码，你会看到以下动画效果：
- 坐标系与函数登场：黄色的三次函数f(x)=x3−2x+1被绘制出来。
- 固定点 P：在x=1处，一个红色的点
P被标记出来。 - 动态点 Q 与割线：一个蓝色的点
Q出现在P的右侧（因为初始h=1），一条绿色的割线连接P和Q。 - 魔法时刻：动画开始，
Q点开始平滑地向P点移动（h值从 1.5 逐渐减小到 0.01）。与此同时，绿色的割线也随之旋转。 - 切线显现：当
Q无限接近P时，割线几乎不再变化。此时，一条紫色的精确切线被绘制出来，你会发现它和最终的割线几乎完全重合！
整个过程直观地展示了导数作为瞬时变化率的几何意义，而这一切的精准性都由 SymPy 在幕后保证。
小结
我们已经成功地将 SymPy 的符号计算能力与 Manim 的动画渲染能力结合起来，解决了制作导数定义动画时的手动计算痛点。
通过 diff 和 limit，我们获得了精确的数学结果；
通过 ValueTracker 和 always_redraw，我们让这些结果在屏幕上“活”了起来。
这种 “SymPy 负责思考，Manim 负责表现” 的模式非常强大，可以应用到各种复杂的数学可视化场景中。
到此这篇关于Python使用SymPy和Manim轻松搞定导数动画的文章就介绍到这了,更多相关Python SymPy Manim实现导数动画内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！