numpy.trapezoid#

numpy.trapezoid(y, x=None, dx=1.0, axis=-1)[source]#

使用复合梯形规则沿给定轴积分。

如果提供了 x,则积分将沿着其元素依次进行 - 它们不会被排序。

沿给定轴上每个一维切片积分 y (x),计算 \(\int y(x) dx\)。当指定了 x 时,它会沿着参数曲线积分,计算 \(\int_t y(t) dt = \int_t y(t) \left.\frac{dx}{dt}\right|_{x=x(t)} dt\)

版本 2.0.0 中的新增功能。

参数::
yarray_like

要积分的输入数组。

xarray_like, 可选

对应于 y 值的采样点。如果 x 为 None,则假定采样点均匀间隔 dx。默认值为 None。

dx标量,可选

x 为 None 时,采样点之间的间隔。默认值为 1。

axisint,可选

要积分的轴。

返回值::
trapezoidfloat 或 ndarray

使用梯形规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,则结果为一个浮点数。如果 n 大于 1,则结果为一个 n-1 维数组。

另请参见

sum, cumsum

备注

图片 [2] 说明了梯形规则 - 点的 y 轴位置将从 y 数组中获取,默认情况下,点之间的 x 轴距离将为 1.0,或者可以使用 x 数组或 dx 标量提供它们。返回值将等于红线下的组合面积。

参考文献

示例

>>> import numpy as np

对均匀间隔的点使用梯形规则

>>> np.trapezoid([1, 2, 3])
4.0

采样点之间的间隔可以通过 xdx 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

更一般地说,x 用于沿参数曲线积分。我们可以估计积分 \(\int_0^1 x^2 = 1/3\) 使用

>>> x = np.linspace(0, 1, num=50)
>>> y = x**2
>>> np.trapezoid(y, x)
0.33340274885464394

或者估计一个圆的面积,注意我们重复了闭合曲线的样本

>>> theta = np.linspace(0, 2 * np.pi, num=1000, endpoint=True)
>>> np.trapezoid(np.cos(theta), x=np.sin(theta))
3.141571941375841

np.trapezoid 可以沿指定轴应用以在一个调用中进行多个计算

>>> 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.])