本文详解中点法数值积分在Python中的两种常见实现方式，重点剖析书本公式 `midpoint = 0.5 * (2*a + delta_x*(2*i - 1))` 的数学本质，并指出自行推导时因索引偏移导致的常见错误（如误用 `i` 而非 `i-1`），帮助读者写出准确、高效且符合数学定义的积分近似函数。
中点法（Midpoint Rule）是一种经典的数值积分方法，其核心思想是：将区间 ([a, b]) 划分为 (n) 个等宽子区间，每个子区间的宽度为 (\Delta x = \frac{b-a}{n})，然后在每个子区间的中点处计算被积函数 (f(x)) 的值，并以该值为高、(\Delta x) 为宽构造矩形，所有矩形面积之和即为积分的近似值。
关键在于——如何正确计算第 (i) 个子区间的中点坐标？
设子区间编号从 (i = 1) 到 (n)，则第 (i) 个子区间的左端点为：
[
x_{i-1} = a + (i-1)\Delta x
]
右端点为：
[
x_i = a + i\Delta x
]
因此其中点为：
[
\text{midpoint}i = \frac{x{i-1} + x_i}{2} = \frac{[a + (i-1)\Delta x] + [a + i\Delta x]}{2} = a + \left(i - \frac{1}{2}\right)\Delta x = a + \frac{\Delta x}{2} + (i-1)\Delta x
]
✅ 这正是修正后的正确表达式：
立即学习“Python免费学习笔记（深入）”；
midpoint = a + (dx / 2) + ((i - 1) * dx)
而原问题中错误的写法：
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
midpoint = a + (dx / 2) + (i * dx) # ❌ 错误：中点偏移到第 (i+1) 个子区间
会导致每个中点整体右移一个 (\Delta x)，当 (i = n) 时甚至超出 ([a,b]) 区间，从而严重偏离真实积分值——这解释了为何“需用远更多区间才能接近正确结果”。
再看书中公式：
midpoint = 0.5 * (2 * a + delta_x * (2 * i - 1))
我们对其化简：
[
\begin{aligned}
\text{midpoint} &= \frac{1}{2} \left(2a + \Delta x (2i - 1)\right) \
&= a + \frac{\Delta x}{2}(2i - 1) \
&= a + i\Delta x - \frac{\Delta x}{2} \
&= a + (i - 0.5)\Delta x
\end{aligned}
]
结果完全等价于上述正确形式！因此该公式数学上严谨、无歧义，且避免了显式减法操作，在部分场景下还具备轻微的浮点稳定性优势。
以下是推荐的完整、健壮实现（含类型提示与边界检查）：
def approximate_integral(a: float, b: float, n: int, f) -> float:
if n <= 0:
raise ValueError("Number of subintervals 'n' must be positive.")
if a >= b:
raise ValueError("Interval must satisfy a < b.")
dx = (b - a) / n
total = 0.0
for i in range(1, n + 1): # i from 1 to n inclusive
midpoint = a + (i - 0.5) * dx # ✅ Clean, readable, and correct
total += f(midpoint)
return total * dx? 使用建议与注意事项：
- 始终确保循环索引与子区间编号对齐：i ∈ [1, n] 对应第 i 个子区间，中点必须基于 (i - 0.5) 计算；
- 避免硬编码 i * dx 类表达式，除非明确调整了索引起点（如改用 range(n) 并令 i=0..n-1）；
- 中点法误差阶为 (O(\Delta x^2))，比左/右矩形法更优；增加 (n) 可快速提升精度，但注意浮点累积误差；
- 对光滑函数效果尤佳；若被积函数存在奇点或剧烈振荡，建议结合自适应划分或更高阶方法（如 Simpson 法）。
掌握这一公式的推导逻辑，不仅能写出正确的代码，更能为后续学习复合梯形法、Gauss 求积等高级数值积分技术打下坚实基础。
