大家好，你有沒有試過在 Manim 里做導(dǎo)數(shù)定義的動(dòng)畫？

就是那個(gè)經(jīng)典的場景：畫一條曲線，再畫一條割線，然后讓割線上的一個(gè)點(diǎn)無限逼近另一個(gè)點(diǎn)，最后變成切線。

這個(gè)過程的核心是計(jì)算割線的斜率 (f(x+h) - f(x)) / h，并觀察當(dāng) h 趨近于 0 時(shí)，這個(gè)斜率是如何變化的。

聽起來很簡單，但實(shí)際操作起來，手動(dòng)去推導(dǎo)極限、計(jì)算每一幀的坐標(biāo)，不僅繁瑣，還特別容易出錯(cuò)。

相信不少朋友都為此頭疼過。

想象一下，我們要為函數(shù)f(x)=x³−2x+1 做一個(gè)在x=1 處的切線動(dòng)畫。

1. 定義割線：我們需要兩個(gè)點(diǎn)，P(1,f(1)) 和Q(1+h,f(1+h))。
2. 計(jì)算斜率：slope=(f(1+h)−f(1))/h。
3. 求極限：為了讓動(dòng)畫平滑過渡到切線，我們需要知道當(dāng) h→0 時(shí)，slope 的精確值，也就是f′(1)。
4. 動(dòng)態(tài)更新：在動(dòng)畫中，h是一個(gè)不斷變小的值（比如從 1 變到 0.01），我們需要為每一個(gè) h 實(shí)時(shí)計(jì)算 Q 點(diǎn)的坐標(biāo)和割線的斜率。

如果手動(dòng)來做，第2、3步就需要展開(1+h)³−2(1+h)+1，再減去f(1)，化簡，最后求極限。

對(duì)于復(fù)雜的函數(shù)，這簡直是災(zāi)難！（比如函數(shù)f(x)=sin(x2)）

而且，在代碼里硬編碼這些公式，一旦函數(shù)變了，所有計(jì)算都得重來。

這就是我們的痛點(diǎn)：動(dòng)態(tài)、精準(zhǔn)、自動(dòng)化地處理符號(hào)計(jì)算。

SymPy 解決方案：讓計(jì)算機(jī)做數(shù)學(xué)

SymPy 正是解決這個(gè)問題的完美工具，它可以把 x, h 當(dāng)作真正的數(shù)學(xué)符號(hào)來處理，而不是具體的數(shù)字。

針對(duì)我們的需求，只需要兩個(gè)核心函數(shù)：

• diff(f, x): 自動(dòng)求導(dǎo)。直接告訴我們 f(x) 的導(dǎo)函數(shù)是什么。
• limit(expr, h, 0): 計(jì)算極限。可以驗(yàn)證我們的割線斜率在 h->0 時(shí)的確等于導(dǎo)數(shù)值。

下面看一段核心的 SymPy 代碼，感受一下它的威力：

from sympy import symbols, diff, limit

# 定義符號(hào)變量
x = symbols('x')

# 定義我們的函數(shù) f(x)
f = x**3 - 2*x + 1

# --- 核心操作 ---
# 自動(dòng)求導(dǎo)，得到 f'(x)
f_prime = diff(f, x)
print(f"導(dǎo)函數(shù) f'(x) = {f_prime}") 
# 輸出: 導(dǎo)函數(shù) f'(x) = 3*x**2 - 2

# 在 x=1 處的導(dǎo)數(shù)值
slope_at_1 = f_prime.subs(x, 1)
print(f"x=1 處的瞬時(shí)變化率 (斜率) = {slope_at_1}")
# 輸出: x=1 處的瞬時(shí)變化率 (斜率) = 1

# 用極限來驗(yàn)證割線斜率
# 割線斜率表達(dá)式
secant_slope_expr = (f.subs(x, 1+h) - f.subs(x, 1)) / h
# 計(jì)算 h->0 時(shí)的極限
limit_slope = limit(secant_slope_expr, h, 0)
print(f"通過極限計(jì)算得到的斜率 = {limit_slope}")
# 輸出: 通過極限計(jì)算得到的斜率 = 1

看！我們完全不用關(guān)心中間復(fù)雜的代數(shù)運(yùn)算，SymPy 幾行代碼就幫我們完成了求導(dǎo)和極限驗(yàn)證，并且結(jié)果精確無誤。

這為我們接下來的 Manim 動(dòng)畫提供了堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)。

Manim 聯(lián)動(dòng)實(shí)戰(zhàn)：讓切線“動(dòng)”起來

現(xiàn)在，我們將 SymPy 的計(jì)算能力嵌入到 Manim 動(dòng)畫中。

我們將使用 ValueTracker 來控制 h 的值，讓它從一個(gè)較大的數(shù)（如1）逐漸減小到接近0。

在每一幀，Manim 都會(huì)調(diào)用 SymPy 重新計(jì)算 Q 點(diǎn)的位置和割線，從而實(shí)現(xiàn)動(dòng)態(tài)效果。

下面是核心的代碼：

from manim import *
from sympy import symbols, lambdify, diff

class DerivativeAnimation(Scene):
    def construct(self):
        # ========== SymPy 符號(hào)計(jì)算部分 ==========
        x_sym = symbols("x")
        f_sym = x_sym**3 - 2*x_sym + 1           # 原函數(shù)：f(x) = x3 - 2x + 1
        f = lambdify(x_sym, f_sym, "numpy")       # 轉(zhuǎn)為 NumPy 函數(shù)供繪圖

        f_prime_sym = diff(f_sym, x_sym)          # SymPy 自動(dòng)求導(dǎo)：f'(x) = 3x2 - 2
        x_p = 1                                    # 切點(diǎn)橫坐標(biāo)
        exact_k = float(f_prime_sym.subs(x_sym, x_p))  # 精確導(dǎo)數(shù) f'(1) = 1

        # ========== Manim 坐標(biāo)系與曲線 ==========
        ax = Axes(x_range=[-2, 3], y_range=[-3, 5])
        graph = ax.plot(f, color=YELLOW)          # 原函數(shù)曲線

        p_point = Dot(ax.c2p(x_p, f(x_p)), color=RED)  # 切點(diǎn) P

        # ========== ValueTracker 驅(qū)動(dòng)割線動(dòng)態(tài)逼近 ==========
        h_tracker = ValueTracker(1)               # h 從 1 逐漸減小到 0.001

        # 割線：隨 h 變化而重新繪制
        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         # 割線斜率 Δy/Δx
            return ax.plot(
                lambda x: k * (x - x_p) + f(x_p), # 點(diǎn)斜式
                color=GREEN, x_range=[x_p - 1, x_q + 1]
            )

        secant_line = always_redraw(get_secant_line)

        # 切線：使用 SymPy 算出的精確導(dǎo)數(shù)
        tangent_line = ax.plot(
            lambda x: exact_k * (x - x_p) + f(x_p),
            color=PURPLE, x_range=[-0.5, 2.5]
        )

        # ========== 動(dòng)畫流程 ==========
        self.play(Create(ax), Create(graph), Create(p_point))
        self.play(Create(secant_line))

        # 核心：h → 0，割線動(dòng)態(tài)逼近切線
        self.play(
            h_tracker.animate.set_value(0.001),
            run_time=5,
            rate_func=rate_functions.ease_in_out_quad,
        )

        # 對(duì)比展示精確切線
        self.play(Create(tangent_line))
        self.wait(1)

代碼關(guān)鍵點(diǎn)解析

• lambdify: 連接 SymPy 和 Manim 的橋梁。它把 SymPy 的符號(hào)表達(dá)式 f_sym 轉(zhuǎn)換成一個(gè)普通的 Python 函數(shù) f，這個(gè)函數(shù)可以接受 NumPy 數(shù)組作為輸入，正好符合 Manim ax.plot() 的要求。
• ValueTracker: Manim 中創(chuàng)建動(dòng)態(tài)效果的核心。h_tracker 存儲(chǔ)了 h 的當(dāng)前值。
• always_redraw: 這個(gè)裝飾器告訴 Manim，被它修飾的對(duì)象（如 q_point 和 secant_line）需要在每一幀都重新計(jì)算和繪制。它們內(nèi)部的函數(shù) get_q_point 和 get_secant_line 會(huì)讀取 h_tracker 的最新值，并調(diào)用 f 函數(shù)來獲取最新的坐標(biāo)。
• 動(dòng)態(tài)割線: 在 get_secant_line 中，我們雖然可以直接用兩點(diǎn)式畫線，但這里展示了如何利用 SymPy 的思想——通過計(jì)算斜率和截距來定義直線，邏輯更清晰。

效果展示說明

運(yùn)行這段代碼，你會(huì)看到以下動(dòng)畫效果：

1. 坐標(biāo)系與函數(shù)登場：黃色的三次函數(shù)f(x)=x³−2x+1被繪制出來。
2. 固定點(diǎn) P：在x=1處，一個(gè)紅色的點(diǎn) P 被標(biāo)記出來。
3. 動(dòng)態(tài)點(diǎn) Q 與割線：一個(gè)藍(lán)色的點(diǎn) Q 出現(xiàn)在 P 的右側(cè)（因?yàn)槌跏?h=1），一條綠色的割線連接 P 和 Q。
4. 魔法時(shí)刻：動(dòng)畫開始，Q 點(diǎn)開始平滑地向 P 點(diǎn)移動(dòng)（h 值從 1.5 逐漸減小到 0.01）。與此同時(shí)，綠色的割線也隨之旋轉(zhuǎn)。
5. 切線顯現(xiàn)：當(dāng) Q 無限接近 P 時(shí)，割線幾乎不再變化。此時(shí)，一條紫色的精確切線被繪制出來，你會(huì)發(fā)現(xiàn)它和最終的割線幾乎完全重合！

整個(gè)過程直觀地展示了導(dǎo)數(shù)作為瞬時(shí)變化率的幾何意義，而這一切的精準(zhǔn)性都由 SymPy 在幕后保證。

小結(jié)

我們已經(jīng)成功地將 SymPy 的符號(hào)計(jì)算能力與 Manim 的動(dòng)畫渲染能力結(jié)合起來，解決了制作導(dǎo)數(shù)定義動(dòng)畫時(shí)的手動(dòng)計(jì)算痛點(diǎn)。

通過 diff 和 limit，我們獲得了精確的數(shù)學(xué)結(jié)果；

通過 ValueTracker 和 always_redraw，我們讓這些結(jié)果在屏幕上“活”了起來。

這種 “SymPy 負(fù)責(zé)思考，Manim 負(fù)責(zé)表現(xiàn)” 的模式非常強(qiáng)大，可以應(yīng)用到各種復(fù)雜的數(shù)學(xué)可視化場景中。

到此這篇關(guān)于Python使用SymPy和Manim輕松搞定導(dǎo)數(shù)動(dòng)畫的文章就介紹到這了,更多相關(guān)Python SymPy Manim實(shí)現(xiàn)導(dǎo)數(shù)動(dòng)畫內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論