我正在尝试从labview迁移到python。
在labview中,有一个名为“Integral x(t) VI”的函数,它将一组样本作为输入,执行样本的离散积分,并根据Simpsons规则返回一系列值(曲线下的面积)。
我尝试在scipy中找到等效的函数,例如scipy.integrate.simps,但这些函数返回一组样本的总积分,作为一个浮点数。
如何获得集成值列表,而不是集成后的值之和?
我是不是只是从错误的角度考虑这个问题?
我正在尝试从labview迁移到python。
在labview中,有一个名为“Integral x(t) VI”的函数,它将一组样本作为输入,执行样本的离散积分,并根据Simpsons规则返回一系列值(曲线下的面积)。
我尝试在scipy中找到等效的函数,例如scipy.integrate.simps,但这些函数返回一组样本的总积分,作为一个浮点数。
如何获得集成值列表,而不是集成后的值之和?
我是不是只是从错误的角度考虑这个问题?
我认为你可能有些不正确地使用了scipy.integrate.simps。由scipy.integrate.simps
返回的面积是y
(传递的第一个参数)下的总面积。第二个参数是可选的,并且是x轴的样本值(每个y值的实际x值)。例如:
>>> import numpy as np
>>> import scipy
>>> a=np.array([1,1,1,1,1])
>>> scipy.integrate.simps(a)
4.0
>>> scipy.integrate.simps(a,np.array([0,10,20,30,40]))
40.0
我认为你想要计算在不同限制下相同曲线下的面积?要做到这一点,你需要传递你想要的曲线部分,像这样:
>>> a=np.array([0,1,1,1,1,10,10,10,10,0])
>>> scipy.integrate.simps(a)
44.916666666666671
>>> scipy.integrate.simps(a[:5])
3.6666666666666665
>>> scipy.integrate.simps(a[5:])
36.666666666666664
在SciPy中只有一种累积积分的方法,即scipy.integrate.cumtrapz()
,只要您不需要特别使用辛普森规则或其他方法,它就能满足您的需求。如果需要,您可以按建议自己编写循环。
[scipy.integrate.simps(y[s:e]) for s,e in [(s1,e1),(s2,e2),...etc.]]
。使用numpy数组可能更快,在某些函数中它们是必要的,特别是在使用特殊轴特性等时。但在此示例中,它适用于普通列表 :) - fraxel