符号 vs 数值 · 何时用哪个，以及怎么合体 · 符号计算的艺术

符号计算精确但可能爆炸，数值计算高效但有误差——它们是一对互补的世界观。这一章给出清晰的决策框架：什么时候用符号、什么时候用数值，以及那个把两者优点合一的杀手锏：lambdify——先符号推导公式，再编译成飞快的数值函数。

符号 vs 数值 · 何时用哪个，以及怎么合体

走到这里，符号计算的能力与软肋你都见过了。是时候把它和它的孪生兄弟——数值计算摆在一起，回答那个最实际的问题：手上的活儿，该用哪个？ 答案不是「二选一」，而是「看情况，还能合体」。

两种世界观

先把两者的性格并排看清：

	符号计算	数值计算
处理对象	精确表达式	近似浮点数
给出	公式 / 精确解	具体的数
误差	零	有舍入 / 截断误差
速度	慢，有时极慢	快
内存	可能爆炸	固定、可控
可扩展性	差（变量一多就跪）	好（百万维照跑）
洞察	看清结构与规律	只见一个个数

一句话：符号追求「对与懂」，数值追求「快与大」。 它们各自的强项，正是对方的软肋。

什么时候用符号

选符号，当你要的是「精确」或「公式」：

需要一个公式，而非某点的数（推导求根公式、导出解析解、化简表达式）。
需要精确答案（数论、密码学、几何证明，差一点都不行）。
要理解结构：这个积分有没有初等形式？这族矩阵何时奇异？方程有几个根？
问题规模小、变量少（符号方法在小问题上才跑得动）。
验证与教学：用精确解检验数值程序对不对；把推导展示给人看。

什么时候用数值

选数值，当你要的是「快」或「大」，或者符号根本无能为力：

大规模：百万维线性方程组、大矩阵——符号必然膨胀，只能数值。
没有闭式解：大多数非线性 ODE、真实世界的模型，符号解不存在，只能数值逼近。
真实数据：带噪声的实测数据，本就没有「精确」可言，该拟合而非求解。
性能关键：要在毫秒内、或对海量点求值（实时系统、仿真、训练模型）。

杀手锏：lambdify，让两者合体

最妙的是，你不必二选一。科学计算里最高效的套路，是先用符号推导、再用数值求值——SymPy 的 lambdify 正是这座桥：

lambdify 把一个符号表达式，「编译」成一个飞快的数值函数（通常基于 NumPy）。 于是你能：用符号计算做它最擅长的——精确推导出公式（比如求个导、解个方程、化个简）；再 lambdify 成数值函数，交给 NumPy 在百万个点上飞速求值。 符号的「对与懂」+ 数值的「快与大」，一举两得：

from sympy import *
import numpy as np

x = symbols('x')
expr = diff(sin(x**2), x)          # ① 符号求导:精确得到 2*x*cos(x**2)
f = lambdify(x, expr, 'numpy')     # ② 编译成基于 NumPy 的快速函数

f(np.array([1.0, 2.0, 3.0]))       # ③ 数值批量求值 → [1.081, -2.615, -5.467]

这就是「合体」的威力：导数的公式由符号保证正确（不受数值微分 U 形误差之苦），而海量点的求值由 NumPy 保证飞快。深度学习框架的 autodiff、科学计算里「推公式 + 跑数据」的工作流，骨子里都是这个思路。先符号、后数值，是行家的默认套路。

[1] SymPy 文档.「lambdify — Numeric Computation.」https://docs.sympy.org/latest/modules/utilities/lambdify.html
[2] Meurer et al.「SymPy: symbolic computing in Python.」PeerJ CS, 2017. —— 符号与数值的桥接。
[3] 参见孪生专栏《数值计算的艺术》—— 数值方法的完整图景。

符号 vs 数值 · 何时用哪个，以及怎么合体