利用 numpy 实现物理计算--物理向量符号与numpy数组的对应 ( jupyterlab 例子)

前言

通过一个简单的例子，聊一聊数理代码设计入门。
使用 py 函数、numpy数组和 Pandas 进行位移计算，逐步演示如何将数理符号的数学形式化公式，转换成易读和易用的py代码，最终给出了一个在 jupyterlab 或 jupyter notebook 中的交互式模型的实现。

运行环境和依赖包

运行环境：jupyter notebook 或 jupyterlab
依赖包：numpy pandas matplotlib sympy ipywidgets

实现一个向量

我们经常使用 python 来进行物理计算，这是由于 py 采用伪代码风格，利于清晰的表达物理模型的业务逻辑，同时，代码又具备一定的工程实现能力。今天想分享一个小例子，演示一下将形式化的数理公式，转换成易读、易⽤的py代码。

使用 numpy 的关键是具有数列(或向量)的编程思维，其实就是如何使用表的思维，设一个向量$\vec{r}$ 具有三个分量，即：$\vec{r}=(x,y,z)$ ，那么该向量在不同时刻的变化，可以记录到如下表格：

如果我们定义这个表格每一行代表一个时刻，那么每一列就是$\vec{r}$其中一个向量在每一个时刻的值。当我们用numpy来实现这个向量时，则可以采用如下代码：

import numpy as np

r = np.array([[0,0,0],[1,1,1],[2,2,2],[3,3,3]],dtype='float16')
r.shape # 查看一下numpy数组的形状，输出应为：(3, 3)

假设我们定义第一行为 $t_0$ 时刻的向量取值，那么可以用 numpy 的切片功能轻松获取该值：

r[0] # t0 时刻的值，输出应为：array([0., 0., 0.], dtype=float16)

同理，其他时刻的值，只需要选择不同的行即可。那么有了这个观点，实现物理计算就容易多了。我个人觉得 numpy 实现数理计算的优势在于代码的表达，首先代码本来也是形式化的，如果代码接近于原始物理模型，那么易读性自然也就具备了。

简化公式表达

来一个简单的二维运动的例子，熟悉一下 numpy 的实现过程，看看代码能不能对小白也很好懂。

例子: 有一只兔子跑过一个停车场，非常奇怪的是停车场上正巧有个坐标系，兔子的位置坐标对于时间的函数有下式给出：
$$\begin{array}{rl}x& =-0.31t^2+7.2t+28\\ y& =0.22t^2-9.1t\end{array}$$