Compétences sympy
Σ

sympy

Sûr ⚡ Contient des scripts⚙️ Commandes externes📁 Accès au système de fichiers🌐 Accès réseau

Résoudre des problèmes de mathématiques symboliques avec SymPy

Également disponible depuis: davila7

Besoin de résultats mathématiques exacts plutôt que d'approximations numériques. Cette compétence fournit des conseils complets pour l'algèbre symbolique, le calcul, la résolution d'équations, les opérations matricielles et les calculs physiques utilisant la bibliothèque Python SymPy.

Prend en charge: Claude Codex Code(CC)
📊 70 Adéquat
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "sympy". Solve x^2 - 4 = 0 for x

Résultat attendu:

  • Solutions: x = -2, x = 2
  • Method: solveset(x**2 - 4, x)
  • L'équation a deux solutions réelles

Utilisation de "sympy". Find derivative of sin(x^2)

Résultat attendu:

  • Derivative: 2*x*cos(x^2)
  • Method: diff(sin(x**2), x)
  • Utiliser integrate() pour l'intégrale

Utilisation de "sympy". Find eigenvalues of [[1, 2], [2, 1]]

Résultat attendu:

  • Eigenvalues: 3, -1
  • Eigenvectors: [1, 1], [1, -1]
  • Matrix is diagonalizable: True

Audit de sécurité

Sûr
v4 • 1/17/2026

All 497 static findings are FALSE POSITIVES. This skill is pure documentation for the SymPy symbolic mathematics library. The detected patterns (backticks, imports, eval, file operations) are legitimate documentation elements: markdown code formatting, Python code examples showing SymPy features like lambdify and srepr, and file export for mathematical results. No malicious behavior present.

7
Fichiers analysés
5,806
Lignes analysées
4
résultats
4
Total des audits

Facteurs de risque

⚡ Contient des scripts (4)
references/advanced-topics.md:463-466 references/code-generation-printing.md:205 references/core-capabilities.md:206 references/physics-mechanics.md:235-239
⚙️ Commandes externes (3)
SKILL.md:27 references/core-capabilities.md:10-15 references/code-generation-printing.md:9-23
📁 Accès au système de fichiers (2)
references/code-generation-printing.md:395 references/code-generation-printing.md:516
🌐 Accès réseau (2)
SKILL.md:494 SKILL.md:495
Audité par: claude Voir l’historique des audits →

Score de qualité

45
Architecture
90
Maintenabilité
85
Contenu
21
Communauté
100
Sécurité
91
Conformité aux spécifications

Ce que vous pouvez construire

Dériver les équations du mouvement

Configurer des problèmes de mécanique lagrangienne et dériver symboliquement les équations du mouvement

Ingénierie de caractéristiques symboliques

Créer des expressions symboliques pour les transformations mathématiques avant l'évaluation numérique

Apprendre le calcul symbolique

Explorer les dérivations mathématiques pas à pas, les simplifications et la vérification des solutions

Essayez ces prompts

Résolution d'équations de base 
Solve the quadratic equation x^2 - 5x + 6 = 0 and verify the solutions
Opérations de calcul 
Find the derivative of sin(x^2) and then compute the definite integral from 0 to pi
Opérations matricielles 
Find the eigenvalues and eigenvectors of matrix [[1, 2], [2, 1]]
Génération de code 
Convert the expression x^2 + sin(x) to a NumPy function for numerical evaluation

Bonnes pratiques

  • Définir les symboles avec des hypothèses (positive=True, integer=True) pour améliorer la simplification
  • Utiliser lambdify() pour créer des fonctions numériques rapides à partir d'expressions symboliques
  • Utiliser Rational() ou S() pour l'arithmétique exacte plutôt que les nombres à virgule flottante
  • Choisir les solveurs appropriés : solveset pour l'algèbre, linsolve pour les systèmes linéaires, dsolve pour les EDO

Éviter

  • Utiliser des nombres à virgule flottante (0.5) au lieu de Rational(1, 2) pour des résultats exacts
  • Utiliser subs() et evalf() dans des boucles au lieu de lambdify() pour les performances
  • Oublier de définir les symboles avec symbols() avant de les utiliser
  • Sauter les hypothèses lors du travail avec des variables contraintes (positive, real, integer)

Foire aux questions

Qu'est-ce que le calcul symbolique vs numérique ?
SymPy maintient des expressions symboliques exactes comme sqrt(2) tandis que les méthodes numériques l'approximent comme 1.414. Le symbolique donne des résultats exacts.
Quand dois-je utiliser lambdify() ?
Utilisez lambdify() lorsque vous avez besoin d'évaluer une expression symbolique plusieurs fois avec des données numériques. Cela convertit les expressions en fonctions NumPy rapides.
Comment résoudre des équations différentielles ?
Utilisez dsolve() de sympy. Définissez votre fonction avec symbols('f', cls=Function), puis appelez dsolve(Derivative(f(x), x) - f(x), f(x)).
Que sont les hypothèses sur les symboles ?
Les hypothèses comme positive=True, real=True, integer=True aident SymPy à simplifier les expressions correctement. sqrt(x**2) renvoie x seulement si x est positif.
Comment générer du code C/Fortran ?
Utilisez sympy.utilities.codegen.codegen() pour générer du code C ou Fortran compilable à partir d'expressions symboliques pour les applications critiques en termes de performance.
SymPy peut-il gérer des matrices avec des entrées symboliques ?
Oui, SymPy prend en charge les matrices symboliques. Vous pouvez calculer des déterminants, des valeurs propres, des inverses et résoudre des systèmes avec des symboles comme éléments matriciels.

Détails du développeur

Auteur

K-Dense-AI

Licence

https://github.com/sympy/sympy/blob/master/LICENSE

Dépôt

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/sympy

Réf

main

Structure de fichiers

📁 references/

📄 advanced-topics.md

📄 code-generation-printing.md

📄 core-capabilities.md

📄 matrices-linear-algebra.md

📄 physics-mechanics.md

📄 SKILL.md