numpy.trapezoid#
- numpy.trapezoid(y, x=None, dx=1.0, axis=-1)[source]#
使用复合梯形法则沿给定轴进行积分。
如果提供了 x,则积分按其元素顺序进行 - 它们不会被排序。
沿给定轴对每个一维切片上的 y (x) 进行积分,计算 \(\int y(x) dx\)。当指定 x 时,这将沿参数曲线积分,计算 \(\int_t y(t) dt = \int_t y(t) \left.\frac{dx}{dt}\right|_{x=x(t)} dt\)。
2.0.0 版本新增。
- 参数:
- y类数组
要积分的输入数组。
- x类数组, 可选
对应 y 值的采样点。如果 x 为 None,则假定采样点均匀分布,间隔为 dx。默认为 None。
- dx标量, 可选
当 x 为 None 时,采样点之间的间距。默认为 1。
- axisint, 可选
沿其积分的轴。
- 返回:
- trapezoid浮点数 或 ndarray
通过梯形法则沿单个轴近似计算的 y(n 维数组)的定积分。如果 y 是一个一维数组,则结果为浮点数。如果 n 大于 1,则结果为 n-1 维数组。
注释
图 [2] 说明了梯形法则 – 默认情况下,点的 y 轴位置将取自 y 数组,点之间的 x 轴距离为 1.0,或者可以通过 x 数组或 dx 标量提供。返回值将等于红线下方组合的面积。
参考
[1]示例
>>> import numpy as np
对等间距点使用梯形法则
>>> np.trapezoid([1, 2, 3]) 4.0
采样点之间的间距可以通过
x
或dx
参数选择>>> np.trapezoid([1, 2, 3], x=[4, 6, 8]) 8.0 >>> np.trapezoid([1, 2, 3], dx=2) 8.0
使用递减的
x
对应于反向积分>>> np.trapezoid([1, 2, 3], x=[8, 6, 4]) -8.0
更一般地,
x
用于沿参数曲线积分。我们可以使用以下方法估计积分 \(\int_0^1 x^2 = 1/3\)>>> x = np.linspace(0, 1, num=50) >>> y = x**2 >>> np.trapezoid(y, x) 0.33340274885464394
或者估计圆的面积,注意我们重复了闭合曲线的样本点
>>> theta = np.linspace(0, 2 * np.pi, num=1000, endpoint=True) >>> np.trapezoid(np.cos(theta), x=np.sin(theta)) 3.141571941375841
np.trapezoid
可以沿指定轴应用,一次调用即可完成多次计算>>> a = np.arange(6).reshape(2, 3) >>> a array([[0, 1, 2], [3, 4, 5]]) >>> np.trapezoid(a, axis=0) array([1.5, 2.5, 3.5]) >>> np.trapezoid(a, axis=1) array([2., 8.])