数值积分是通过离散采样点的函数值近似计算定积分结果的方法，在无法获取原函数解析式的场景下应用广泛。利用数组存储采样点、步长等中间数据，可以批量处理计算逻辑，避免逐点循环的性能损耗，同时支持变量步长的动态调整，让积分结果兼顾精度和计算效率。
数值积分的基本原理
常见的数值积分方法包括矩形法、梯形法、辛普森法等，核心思路是将积分区间划分为多个子区间，用子区间上的简单图形面积近似代替函数曲线下的面积，所有子区间的近似面积累加就是积分的近似结果。
以梯形法为例，对于区间[a,b]上的函数f(x)，将其划分为n个等长子区间，每个子区间长度为h=(b-a)/n，第i个区间的左端点为x_i=a+i*h，右端点为x_{i+1}=a+(i+1)*h，该区间的近似积分值为(f(x_i)+f(x_{i+1}))*h/2，总积分值为所有子区间结果的和。
数组实现高效积分的优势
传统逐点循环实现数值积分时，每次循环都需要计算当前点的函数值、步长，再累加结果，当采样点数量很大时，循环开销会显著影响性能。使用数组实现时，可以预先将所有采样点的x坐标、对应的函数值、步长信息存储在数组中，通过向量化操作批量计算，减少循环次数。
同时，数组结构方便支持变量步长场景：不同子区间可以根据函数变化率调整步长，变化率大的区域使用更小的步长提升精度，变化率小的区域使用更大的步长减少计算量，所有步长可以统一存储在步长数组中，后续累加时直接调用即可。
变量步长积分的数组实现思路
实现变量步长的数组积分可以分为以下步骤：
- 根据积分区间和预设的步长规则，生成所有采样点的x坐标数组
- 批量计算所有采样点对应的函数值，存储到函数值数组
- 计算每个子区间的步长，存储到步长数组，变量步长场景下步长数组的元素值可以不同
- 根据选用的积分方法，结合函数值数组和步长数组批量计算子区间积分值
- 累加所有子区间的积分值得到最终结果
实战：变量步长梯形积分实现
下面以梯形法为例，实现变量步长的数值积分，假设需要计算函数f(x)=x²在区间[0,4]上的积分，函数变化率随x增大而增大，因此x越大步长越小。
步骤1：定义目标函数
首先定义需要积分的目标函数，这里以f(x)=x²为例：
def target_func(x):
# 目标函数 f(x) = x的平方
return x ** 2
步骤2：生成变量步长的采样点数组
根据函数变化率生成采样点，x在[0,1]区间步长为0.5，[1,2]区间步长为0.3，[2,4]区间步长为0.2，生成所有采样点的x坐标数组：
import numpy as np
# 积分区间
a = 0
b = 4
# 分区间定义步长，生成采样点x坐标数组
step_ranges = [
(0, 1, 0.5), # 区间[0,1]，步长0.5
(1, 2, 0.3), # 区间[1,2]，步长0.3
(2, 4, 0.2) # 区间[2,4]，步长0.2
]
x_points = [a]
for start, end, step in step_ranges:
current = start + step
while current <= end:
x_points.append(current)
current += step
# 确保终点被包含
if x_points[-1] != b:
x_points.append(b)
x_array = np.array(x_points)
步骤3：计算函数值和步长数组
批量计算所有采样点的函数值，同时计算每个子区间的步长，存储到对应数组：
# 计算所有采样点的函数值 y_array = target_func(x_array) # 计算步长数组，第i个元素是第i个区间的步长，即x_array[i+1] - x_array[i] step_array = np.diff(x_array)
步骤4：批量计算子区间积分并累加
梯形法的子区间积分公式为(y_i + y_{i+1}) * step_i / 2，利用数组操作批量计算后累加：
# 批量计算所有子区间的积分值
sub_integrals = (y_array[:-1] + y_array[1:]) * step_array / 2
# 累加得到总积分结果
total_integral = np.sum(sub_integrals)
print(f"变量步长积分结果：{total_integral}")
print(f"理论精确值：{4**3 / 3}") # f(x)=x²的原函数是x³/3，代入上下限4和0得到64/3≈21.3333
结果说明
运行上述代码后，变量步长积分结果会接近理论值21.3333，相比固定步长积分，在采样点数量更少的情况下可以获得更高的精度。如果调整步长规则，比如在函数变化剧烈的区域进一步减小步长，积分结果的精度还会进一步提升。
注意事项
使用数组实现数值积分时需要注意几个问题：一是采样点的生成要覆盖整个积分区间，避免遗漏端点导致结果偏差；二是变量步长的设置要符合函数变化特征，否则可能无法达到提升精度的效果；三是如果处理的函数值数组规模极大，需要注意内存占用，必要时可以分批次处理数组数据。
这种基于数组的实现方式不仅适用于梯形法，也可以扩展到辛普森法等其他数值积分方法，只需要调整子区间积分的计算逻辑即可，具备很好的通用性。