本文介绍如何对加速度-时间数据进行逐点累积数值积分，以准确获得每一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() 近似或 numpy.trapz 分段累积计算。
本文介绍如何对加速度-时间数据进行**逐点累积数值积分**，以准确获得每一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()` 近似或 `numpy.trapz` 分段累积计算。
在运动学分析中，速度是加速度对时间的积分。若你拥有等间隔采样的加速度-时间数据（如传感器记录），需为每个时间点 t_i 计算从起始时刻 t_0 到 t_i 的积分值——即累积面积（cumulative area under the curve），而非全时段总和。
直接使用 numpy.trapz(x=df['time'], y=df['zAccel']) 会返回整个时间区间的积分结果（单个标量），无法满足“每行对应一个瞬时速度”的需求。正确做法是：对每一行 i，仅取前 i+1 行子集进行梯形积分：
import numpy as np
import pandas as pd
# 假设 data 是原始 DataFrame，含 'time' 和 'zAccel' 列
t_col, a_col = 'time', 'zAccel'
# 方法1：显式循环（清晰但较慢，适合小数据或调试）
data['z_velocity_trapz'] = [
np.trapz(x=data[t_col][:i+1], y=data[a_col][:i+1])
for i in range(len(data))
]
# 方法2：向量化高效解（推荐）——利用 cumsum 近似（适用于等时间步长 Δt 恒定）
dt = np.diff(data[t_col]).mean() # 假设采样均匀
data['z_velocity_cumsum'] = data[a_col].cumsum() * dt
# 若初速度 v₀ ≠ 0，需加上：+ v0
⚠️ 注意事项：
- cumsum() × Δt 是矩形法（或一阶欧拉积分），计算快、可向量化，前提是时间步长严格均匀；
- trapz 分段累积更精确（梯形法），能处理非均匀采样，但 Python 循环版本性能较差；如需兼顾精度与效率，可用 scipy.integrate.cumulative_trapezoid（返回长度为 n-1 的数组，需补首项）；
- 若初始速度 v₀ ≠ 0，所有结果需统一加上 v₀；
- 确保时间列单调递增，否则 trapz 子集切片将失效。
✅ 验证一致性（以等距数据为例）：
# 检查两种方法在 Δt 恒定时是否一致（容差内）
np.allclose(
data['z_velocity_cumsum'],
data['z_velocity_trapz'],
atol=1e-10
)
综上，推荐优先采用 cumsum() * Δt 实现高效累积积分；若采样不规则或精度要求极高，则使用 cumulative_trapezoid 或封装好的累积 trapz 函数。
