numpy.trapz仅适用于离散点梯形积分，需显式传入x且采样要密；gradient才是真数值微分，支持非均匀网格和多维，高阶导需链式调用并明确axis。
用 numpy.trapz 做数值积分，别碰 scipy.integrate.quad 的替代品
NumPy 本身不提供通用函数积分（比如 ∫f(x)dx），numpy.trapz 只是梯形法——它只对已知离散点 y 和对应 x 坐标做近似求和。如果你有解析表达式（如 lambda x: x**2），硬套 trapz 就得先手动采样，精度完全取决于步长和函数曲率。
常见错误：直接传函数对象给 trapz，报 TypeError: object of type 'function' has no len()；或者忘了等距采样时省略 x 参数，误用等步长逻辑却传了非线性 x 数组，导致结果偏移。
- 采样要足够密：对快速震荡函数（如
np.sin(100*x)），dx > 0.01就可能漏峰 - 优先显式传入
x：即使等距也写上，避免因数组长度与预期不符引发隐式假设 - 注意维度：若
y.shape == (100, 5)（5 条曲线），加axis=0对每列积分，不加默认积整个数组
import numpy as np x = np.linspace(0, 1, 1000) y = np.exp(-x**2) area = np.trapz(y, x) # 正确：显式传 x # area ≈ 0.7468
用 numpy.gradient 算数值微分，不是 diff
np.diff 返回长度减一的差分，且只支持等距轴；numpy.gradient 才是真·数值导数工具——它用中心差分（端点用前/后向）自动适配非均匀 x，还能处理多维数组各轴方向。
典型翻车现场：用 diff(y)/dx 算导数，结果比 gradient 多一个 NaN（因为差分少一个点），且在边界处用单侧差分误差陡增；或者传了非等距 x 却没告诉 gradient，它就按索引当坐标用了。
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 必须传
axis明确对哪一维求导，尤其在二维以上数组中 - 非均匀网格时，把
x数组作为参数传入，如np.gradient(y, x, axis=0) - 噪声数据慎用：
gradient会放大高频噪声，预处理建议先用scipy.ndimage.gaussian_filter1d平滑
y = np.sin(x) dy_dx = np.gradient(y, x) # 自动用中心差分，两端合理外推 # dy_dx[0] 是前向差分，不是 NaN
高阶导数和复合操作：靠组合，别找“内置高阶函数”
NumPy 没有 grad2 或 laplacian 这类封装，但你可以链式调用 gradient：一次得到一阶，再对结果调用一次就是二阶（注意两次的 axis 要一致）。不过要注意，每调一次都引入新误差，尤其在边界区域会叠加失真。
例如算拉普拉斯算子（∇²f）：对二维数组 f，需分别沿 axis=0 和 axis=1 各算一次二阶导再相加。有人误用 gradient(gradient(f)) 导致维度混乱——第二层 gradient 默认作用于最后一维，未必是你想要的方向。
- 明确指定每次
axis：如np.gradient(np.gradient(f, axis=0), axis=0)得 ∂²f/∂x² - 二维拉普拉斯正确写法：
np.gradient(f, axis=0, edge_order=2)+np.gradient(f, axis=1, edge_order=2) -
edge_order=2提升边界精度（用三点拟合），但要求至少 3 个点，小数组会报错
性能与精度陷阱：什么时候该换 scipy
纯 NumPy 数值微积分只适合“已有格点数据”的场景。一旦涉及自适应步长、高精度控制（如相对误差 numpy.trapz 和 gradient 就力不从心了——它们不检查函数行为，只机械计算。
容易被忽略的一点：trapz 对周期函数在整周期上积分时，若端点值不严格相等（浮点误差），会产生虚假的“梯形缺口”。而 scipy.integrate.simpson（辛普森法）或 quad 内部做了端点匹配补偿。
- 采样点数 trapz 快且够用
- 需要误差估计、无限区间、含参积分 → 直接切到
scipy.integrate.quad或vectordize - 实时信号处理（如嵌入式模拟）→ 保留
gradient，但务必预滤波，否则导数毛刺比原始噪声还大
真正难的是权衡：你手里的数据是测量值（带噪、非均匀、点少），还是仿真输出（干净、规则、点多）——前者靠 NumPy 容易翻车，后者它反而比 scipy 更轻更快。
