如何在Pandas DataFrame中高效计算随时间的积分（含电流积分、速度-时间求距离场景）

嘿，你的问题提得特别好！针对时间序列的积分计算——不管是速度积分求距离，还是电流积分求电荷——Pandas确实有更符合Python风格、效率高得多的实现方式，完全不用写循环逐行调用np.trapz。

核心思路：利用向量化操作实现梯形法积分 #

np.trapz本质是用梯形法计算积分：把相邻两个时间点的曲线段近似为梯形，计算每个梯形的面积再累加。我们可以直接用Pandas的向量化方法模拟这个逻辑，避免重复计算，效率提升几个量级。

针对你的速度→距离场景的实现 #

简洁版（一行搞定） #

import pandas as pd

# 直接计算并生成distance列
dataframe["distance"] = (
    dataframe["timestamp"].diff() * dataframe["speed"].rolling(2).mean()
).cumsum().fillna(0)

分步解释版（更易理解） #

如果想清楚看到每一步的逻辑，可以拆分成中间步骤：

# 1. 计算相邻时间点的间隔Δt
dataframe["dt"] = dataframe["timestamp"].diff()

# 2. 计算相邻两个时间点的平均速度（梯形的高）
dataframe["avg_speed"] = dataframe["speed"].rolling(window=2).mean()

# 3. 计算每个时间步的距离增量（梯形面积：Δt × 平均速度）
dataframe["distance_inc"] = dataframe["dt"] * dataframe["avg_speed"]

# 4. 累加所有增量得到累计距离，第一个值填充为0（初始位置）
dataframe["distance"] = dataframe["distance_inc"].cumsum().fillna(0)

# 可选：清理不需要的中间列
dataframe.drop(["dt", "avg_speed", "distance_inc"], axis=1, inplace=True)

为什么这个方法比你的原实现更好？ #

• 效率爆炸：你的原方法用列表推导式循环，每次计算前t行的积分，时间复杂度是O(n²)——当DataFrame有上万行时，会慢到离谱。而这个向量化方法是O(n)复杂度，Pandas内部用C优化，跑起来几乎瞬间完成。
• 代码更简洁易读：完全符合Pandas的风格，不需要手动遍历索引，逻辑一目了然。
• 结果完全等价：和np.trapz的计算逻辑完全一致，只是把重复计算改成了增量累加，结果分毫不差。

扩展到电流积分场景 #

如果是计算电流对时间的积分（得到电荷），逻辑完全一样，只需要把speed换成current，distance换成charge即可：

dataframe["charge"] = (
    dataframe["timestamp"].diff() * dataframe["current"].rolling(2).mean()
).cumsum().fillna(0)

内容的提问来源于stack exchange，提问作者Mistapopo