利用Python求导数
scipy.misc.derivative
scipy.misc.derivative(func, x0, dx=1.0, n=1, args=(), order=3)
Parameters：

func: function

Input function.
（被求导函数）


x0: float

The point at which n-th derivative is found.
（求导点）


dx: float, optional（float类型数据，可选参数）

Spacing.


n: int, optional

Order of the derivative. Default is 1.
（函数阶次，即求几阶导函数，默认是1）


args: tuple, optional

Arguments


order: int, optional

Number of points to use, must be odd.



程序代码
>>> from scipy.misc import derivative
>>> def f(x):
...     return x**3 + x**2
>>> derivative(f, 1.0, dx=1e-6)
4.9999999999217337

参考链接：

https://docs.scipy.org/doc/scipy/reference/generated/scipy.misc.derivative.html

from sympy import *

x = Symbol("x")
diff(x**3+x,x)

#output: 3*x**2 + 1

# 一维多项式操作
from numpy import poly1d

python使用sympy包求导数
from sympy import *
from math import e
x = Symbol("x")
y = e**x + x**3 - 5*x**2
diffy = diff(y,x)
print(diffy)

运行结果
1.0*2.71828182845905**x + 3*x**2 - 10*x

我就废话不多说了，直接上代码吧！
import math
import numpy as np
import matplotlib.pyplot as plt
from sympy import * #用于求导积分等科学计算
def dif(left,right,step):#求导 左右区间以及间隔
x,y = symbols('x y')#引入x y变量
expr = pow(x,5)#计算表达式
x_value = [] #save x value
y_value = [] #save x f(x) value
y_value_dif = [] #save x f(x)_dot value
y_value_dif2 = [] #save x f(x)_dot2 value
y_value_dif3 = [] #save x f(x)_dot3 value
y_value_dif4 = [] #save x f(x)_dot4 value
#print(expand(exp(I*x), complex=True))#将复指数展开成实部虚部形式
expr_dif = diff(expr,x,1)
expr_dif2 = diff(expr,x,2)
expr_dif3 = diff(expr,x,3)
expr_dif4 = diff(expr,x,4)
for i in np.arange(left,right,step):
x_value.append(i)
y_value.append(expr.subs('x',i))#将i值代入表达式
y_value_dif.append(expr_dif.subs('x',i))#将i值代入求导表达式
y_value_dif2.append(expr_dif2.subs('x',i))#将i值代入2阶求导表达式
y_value_dif3.append(expr_dif3.subs('x',i))#将i值代入3阶求导表达式
y_value_dif4.append(expr_dif4.subs('x',i))#将i值代入4阶求导表达式
draw_plot_set()#设置画图格式
plt.plot(x_value,y_value,"b-",linewidth=1,label='f(x)='+str(expr)) #画图
plt.plot(x_value,y_value_dif,"r-",linewidth=1,label='f(x)_prim') #画图
plt.plot(x_value,y_value_dif2,"y-",linewidth=1,label='f(x)_prim2') #画图
plt.plot(x_value,y_value_dif3,"g-",linewidth=1,label='f(x)_prim3') #画图
plt.plot(x_value,y_value_dif4,"b-",linewidth=1,label='f(x)_prim4') #画图
plt.legend()#显示图例
plt.show()#显示图像
def draw_plot_set():#设置画图格式
plt.figure()
ax = plt.gca()
#改变坐标轴位置
ax.spines['right'].set_color('none')#删除原来轴
ax.spines['top'].set_color('none')#删除原来轴
ax.xaxis.set_ticks_position('bottom')#在0点处增加轴
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')#在0点处增加轴
ax.spines['left'].set_position(('data',0))
#设置坐标名
plt.ylabel('f(x)')
plt.xlabel('x')
plt.grid(True)#打开网格
if __name__ == '__main__':
dif(-5,5,0.01)
补充拓展：python利用sympy库对某个函数求导，numpy库使用该求导结果计算的程序
在python数据处理过程中，我们经常会遇见这样一种情况。需要对一个函数表达式求偏导，并将具体数值代入导数式。
而python中通常可用于函数求导的函数是sympy库中的diff()函数。
但他通常所求得的导数只是一个符号表达式。不能直接带入数据使用。
如下例：
import sympy as sp
import numpy as np
x,y = sp.symbols('x y')
z = sp.sin(2*sp.pi*x+2*y/5)
zx = sp.diff(z,x)
zy = sp.diff(z,y)
print(zx)
print(zy)
其输出为：
2*pi*cos(2*pi*x + 2*y/5)
2*cos(2*pi*x + 2*y/5)/5
那么该如何解决这个问题呢？
对x,y使用evalf()函数分别赋值后，用float进行类型转换后，才能利用numpy进行数值计算。
如下例：
import sympy as sp
import numpy as np
x,y = sp.symbols('x y')
z = sp.sin(2*sp.pi*x+2*y/5)
zx = sp.diff(z,x)
zy = sp.diff(z,y)
x1 = 10
y1 = 5
z_x1 = float(zx.evalf(subs={x:x1,y:y1}))
z_y1 = float(zy.evalf(subs={x:x1,y:y1}))
print(z_x1)
print(z_y1)
其输出结果：
-2.61472768902227
-0.16645873461885696
那如果我的x或y不是单一的值呢？而是一个数组。
我们可以利用一个循环来完成。
如下例：
import sympy as sp
import numpy as np
x,y = sp.symbols('x y')
z = sp.sin(2*sp.pi*x+2*y/5)
zx = sp.diff(z,x)
zy = sp.diff(z,y)
x_array = np.linspace(-5, 5, 10)
y_array = np.linspace(-5, 5, 10)
temp_x = []#先定义一个用于存储x偏导的空列表
temp_y = []#先定义一个用于存储y偏导的空列表
for i in range(10):
z_x = float(zx.evalf(subs={x:x_array[i],y:y_array[i]}))
temp_x.append(z_x)#将计算得到的偏导值一一添加到列表中
z_y = float(zy.evalf(subs={x:x_array[i],y:y_array[i]}))
temp_y.append(z_y)
zx_array = np.array(temp_x)#将列表转换为数组
zy_array = np.array(temp_y)
print(zx_array)
print(zy_array)
输出结果为：
[-2.61472769 4.11163864 6.02946289 0.89585862 -5.2854481 -5.2854481
0.89585862 6.02946289 4.11163864 -2.61472769]
[-0.16645873 0.26175505 0.38384753 0.05703213 -0.33648208 -0.33648208
0.05703213 0.38384753 0.26175505 -0.16645873]
由此便实现了由sympy得到求导结果，到numpy库进行数值计算。
以上这篇python计算导数并绘图的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持自学编程网。