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:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
| from manim import * from sympy import symbols, diff, limit
x = symbols('x')
f = x**3 - 2*x + 1
f_prime = diff(f, x) print(f"导函数 f'(x) = {f_prime}")
slope_at_1 = f_prime.subs(x, 1) print(f"x=1 处的瞬时变化率 (斜率) = {slope_at_1}")
secant_slope_expr = (f.subs(x, 1+h) - f.subs(x, 1)) / h
limit_slope = limit(secant_slope_expr, h, 0) print(f"通过极限计算得到的斜率 = {limit_slope}")
|
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:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
| from manim import * import numpy as np import sympy as sp def head(cn, en): t = Text(cn, font="STLiti", font_size=27).to_edge(UP) s = Text(en, font="Consolas", font_size=20, color=YELLOW).next_to(t, DOWN, buff=0.10) return VGroup(t, s) def foot(cn): return Text(cn, font="STLiti", font_size=20, color=YELLOW).to_edge(DOWN) class DerivativeTangent(Scene): def construct(self): self.add(head("导数:割线逼近切线", "SymPy / diff / ValueTracker")) x = sp.symbols("x") f = x**3 - 2*x + 1 df = sp.diff(f, x) fy = sp.lambdify(x, f, "numpy") slope = float(df.subs(x, 1)) y1 = float(f.subs(x, 1)) axes = Axes(x_range=[-2.5, 2.5, 1], y_range=[-3, 5, 1], x_length=8, y_length=5, axis_config={"color": GREY_B}).shift(DOWN * 0.3) graph = axes.plot(lambda t: fy(t), x_range=[-2.1, 2.1], color=BLUE).set_stroke(width=5) h = ValueTracker(1.8) sec = always_redraw(lambda: Line( axes.c2p(1, y1), axes.c2p(1 + h.get_value(), fy(1 + h.get_value())), color=YELLOW).set_stroke(width=5)) tangent = Line(axes.c2p(-1.2, y1 + slope * (-2.2)), axes.c2p(2.2, y1 + slope * 1.2), color=RED).set_stroke(width=5) lab = Text("slope = %.2f" % slope, font="Consolas", font_size=22, color=GREY_A).to_corner(UR) self.add(axes, graph, sec, lab) self.play(h.animate.set_value(0.18), run_time=3.4) self.play(Create(tangent), run_time=1.4) self.play(FadeIn(foot("h 趋近 0 时割线斜率收敛到导数值")), run_time=0.4) self.wait(1.2)
|
下载 Python 脚本
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 Manim ax.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。
主观感受,仅供参考。本文采用 本文采用 CC BY-NC-SA 4.0 许可 协议,
完整转载请注明来自
数学动画引擎。