本文介绍如何对时间-加速度数据进行逐点累积数值积分，以准确获取每个时刻对应的瞬时速度，而非整个曲线下的总面积。核心方法是使用 cumsum() 近似梯形积分，或结合 numpy.trapz 对前缀子集动态计算。
本文介绍如何对时间-加速度数据进行**逐点累积数值积分**，以准确获取每个时刻对应的瞬时速度，而非整个曲线下的总面积。核心方法是使用 `cumsum()` 近似梯形积分，或结合 `numpy.trapz` 对前缀子集动态计算。
在运动学分析中，速度是加速度对时间的积分：
$$ v(t) = v_0 + \int_0^t a(\tau)\, d\tau $$
当输入为离散采样点（如 DataFrame 中的 time 和 zAccel 列）时，“截至当前时刻”的速度即为累积积分值（cumulative integral），而非全区间积分。
✅ 推荐方案：使用 cumsum() 实现高效累积（等时间步长前提下）
若采样时间间隔均匀（例如固定采样率 100 Hz），加速度可视为分段常数，此时速度近似为：
$$ v_i \approx v0 + \Delta t \cdot \sum{k=0}^{i} a_k $$
Pandas 提供简洁实现：
import pandas as pd import numpy as np # 假设 mainData 包含列 'time' 和 'zAccel' # 计算时间步长（需确保 time 单调递增且均匀） dt = mainData['time'].diff().median() # 更鲁棒于小误差 mainData['z_velocity'] = mainData['zAccel'].cumsum() * dt # 若初速度 v0 ≠ 0，加上偏移量 # mainData['z_velocity'] += v0
⚠️ 注意：此方法隐含 等间隔假设。若时间非均匀（如传感器抖动、丢包），应改用梯形法逐点计算。
✅ 精确方案：用 numpy.trapz 动态计算前缀积分（适用于任意时间分布）
对每个索引 i，计算从起点到 i 的积分（含第 i 个点）：
def cumulative_trapz(df, x_col, y_col):
"""返回与 df 等长的数组：cumulative_trapz[i] = ∫₀^x_i y dx"""
result = np.empty(len(df))
for i in range(len(df)):
result[i] = np.trapz(x=df[x_col].iloc[:i+1], y=df[y_col].iloc[:i+1])
return result
mainData['z_velocity'] = cumulative_trapz(mainData, 'time', 'zAccel')
该方法严格遵循梯形法则，支持不规则时间戳，但时间复杂度为 $O(n^2)$。对大数据集（>10⁴ 行），建议向量化优化或改用 scipy.integrate.cumulative_trapezoid（推荐）：
from scipy.integrate import cumulative_trapezoid
# 注意：cumulative_trapezoid 返回长度为 n-1 的数组，首值补 0
velocities = cumulative_trapezoid(
mainData['zAccel'],
mainData['time'],
initial=0.0
)
mainData['z_velocity'] = velocities
? 验证结果一致性
可交叉验证两种方法（等间隔时应高度一致）：
# 检查 cumsum × dt 是否 ≈ cumulative_trapezoid 结果
np.allclose(
mainData['z_velocity_cumsum'],
mainData['z_velocity_trapz'],
atol=1e-6
)
? 总结建议
- ✅ 首选 scipy.integrate.cumulative_trapezoid：精度高、性能好、API 清晰；
- ✅ 等间隔且追求速度？用 cumsum() × Δt：简单高效，适合实时处理；
- ❌ 避免原始代码中的 trapz(x=df[time], y=df[zAccel]) 全局调用——它只返回单个标量，无法满足“每点一值”需求；
- ? 初始条件（如 v₀）务必显式添加，否则默认从零开始积分。
通过以上方法，你就能为 DataFrame 中每一行精确生成对应时刻的瞬时速度，真正实现“曲线下面积截至该点”的物理意义。
