数值积分核心是分段近似累加，数组作为数据容器和计算载体天然适配梯形法等逻辑；需x、y同长升序数组，梯形法按索引遍历累加每个梯形面积，总和变量须初始化为0并逐次更新，NumPy向量化可大幅提升大数组计算效率。

实现数值积分的核心是把离散数据点之间的面积分段近似、再累加。数组在这里既是数据容器，也是计算载体——它天然支持按索引顺序访问、批量处理和步长控制，特别适合梯形法、矩形法等常见数值积分逻辑。

用数组组织离散数据点

数值积分的前提是有成对的 x（自变量）和 y（函数值或测量值）数组，例如传感器采样得到的时间-温度序列：

• x = [0.0, 0.2, 0.5, 0.9, 1.4, 2.0] —— 非等距时间点
• y = [1.0, 1.3, 1.7, 2.1, 2.4, 2.6] —— 对应温度值

这两个数组长度必须一致，且按升序排列。若原始数据无序或含重复 x 值，需先排序并去重，否则积分结果无物理意义。

梯形法则：基于数组索引的步长累加

梯形法将每相邻两点间曲线下面积近似为梯形，公式为：
area_i = (x[i+1] − x[i]) × (y[i] + y[i+1]) / 2

整个积分即所有 area_i 的累加和。用数组实现时，关键在于：

• 用 for 循环遍历索引 0 到 n−2（避免越界）
• 每次计算当前区间宽度 dx = x[i+1] − x[i] 和平均高度 (y[i] + y[i+1]) / 2
• 将每个梯形面积加到总和变量中，如 integral += dx * (y[i] + y[i+1]) * 0.5

该方式不依赖等距采样，适配真实实验数据，且逻辑清晰、易于调试。

累加变量的正确初始化与更新习惯

无论用哪种语言，积分总和变量都必须显式初始化为 0，而不是靠默认值或直接赋总和表达式：

• ✅ 正确：total = 0.0；然后在循环中 total += area_i
• ❌ 错误：total = sum(area_list)（跳过逐步累加过程，失去中间控制能力）

这种逐次更新方式便于插入条件判断（如跳过异常点）、记录每段贡献值、或实时监控累积误差，是工程实践中稳健性的基础。

进阶：用 NumPy 向量化加速（Python）

当数据量大时，避免纯 Python 循环。可用 NumPy 实现向量化梯形积分：

• 计算所有相邻 x 差值：dx = np.diff(x)
• 计算所有相邻 y 平均值：dy_avg = (y[:-1] + y[1:]) / 2
• 一次性累加：integral = np.sum(dx * dy_avg)

这本质仍是步长×高度的累加，只是底层由 C 优化，速度提升数倍至数十倍，同时代码更简洁、不易出错。