trapz函数需确保x与y长度一致且x单调，否则结果不可靠；仅传y时按单位步长积分；多维时须显式指定axis，x需匹配被积轴长度；精度取决于采样密度，无误差控制。
trapz 函数怎么用才不会积错
numpy.trapz 是离散点数值积分的快捷工具，但它不假设你有等距横坐标——默认把 x 当作等差数列处理（即步长为 1），一旦你传了自定义 x 却没对齐 y 长度，结果就完全不可信。
- 必须确保
y和x长度一致；如果只传y，它按单位步长积分，结果其实是 ∑(yᵢ₋₁ + yᵢ)/2 × 1，不是真实物理量纲下的面积 - 常见错误：用
np.linspace(0, 1, 100)生成x，但误写成np.linspace(0, 1, 101)，导致x比y多一个元素，trapz不报错，直接截断或广播出错值 - 若
x是非单调的（比如来回采样），trapz仍会机械计算，但几何意义失效——它不校验顺序，也不排序
trapz 和 quad 的根本区别在哪
trapz 只做梯形法，输入是数组；scipy.integrate.quad 是自适应高精度求积，输入是函数对象。两者解决的是不同问题：前者适合实验数据、仿真输出这类已知点列；后者适合解析表达式或可调用函数。
- 如果你有
y = f(x)的闭式表达式，别用trapz先生成一堆点再积——用quad(f, a, b)更准、更快、还能返回误差估计 -
trapz没有绝对误差控制，精度完全取决于采样密度和函数曲率；在尖峰或震荡区（比如sin(1/x)在 0 附近），粗粒度采样会导致严重低估 - 性能上：
trapz是 O(n) 数组运算，quad是黑盒迭代，可能调用几十次函数，但对光滑函数通常 5~10 次就收敛
多维数组怎么用 trapz 沿指定轴积分
当 y 是二维（如时间×空间网格），trapz 默认对最后一维（axis=-1）积分；想沿行或列积，必须显式指定 axis 参数，否则容易积反方向。
- 例如
y.shape == (10, 100)表示 10 条曲线、每条 100 个点，想对每条曲线积分得 10 个标量，用np.trapz(y, x=x, axis=1)（注意是axis=1，不是0） - 如果同时传了
x数组，它必须能广播到被积轴长度：若沿axis=1积，x可以是长度 100 的一维数组，不能是 (10, 1) 或 (1, 100) - 错误现象：
ValueError: object too deep for desired array往往是因为x维度和axis不匹配，而不是数据本身有问题
为什么结果比理论值小很多
最常被忽略的是单位——trapz 完全不管你的 x 和 y 量纲，它只算数字乘积。如果 x 是毫秒、y 是伏特，结果单位是 mV·s，不是 V·s。
- 检查
x的实际步长：用np.diff(x).mean()看是否真均匀；非均匀时trapz仍可用，但必须传对x，不能靠默认 - 边界点是否包含？比如想积 [0, π] 上的
sin(x)，用x = np.linspace(0, np.pi, N)，注意这是闭区间端点，没问题；但如果用了np.arange(0, np.pi, dx)，右端点大概率缺失，积分值系统性偏小 - 函数在端点不连续？
trapz对跳跃无特殊处理，会在跳变处线性插值，造成“抹平”效应——这不是 bug，是梯形法本性
真正麻烦的是那些没报错但悄悄错掉的情况：x 和 y 长度差 1、x 未排序、单位换算漏乘系数。这些没法靠调试器抓，得靠手动验算一两个简单 case。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
