scipy.integrate.quad是否存在固有局限性？高斯积分结果为0求助

问题根因 #

你遇到的返回0的问题不是quad不适用，也不是代码逻辑错误，核心是你的高斯函数有效取值区间过窄，和你传入的积分区间跨度不匹配，quad的初始采样点没有捕捉到峰值区域，误判了整个区间的函数值水平。
你定义的高斯函数均值为6700，标准差仅2.125，有效取值范围（均值±5倍标准差）仅为[6689.375, 6710.625]，这个区间在你传入的4000到8000的大跨度区间里占比不到千分之三，quad默认初始采样的几个均匀分布的点全部落在了函数值几乎为0的区域，因此返回了接近0的结果。

三个问题解答 #

1. scipy.integrate.quad的使用限制 #

• 对有效积分区域占总区间比例极低的尖锐峰函数，默认参数下容易漏采峰值，导致结果偏差
• 被积函数不能存在过多的间断点、振荡奇点，否则自适应迭代会收敛过慢甚至报错
• 不适合被积函数量级差异过大的多尺度积分场景，默认的误差容忍度可能适配不好
• 积分上下限不能是无法被浮点数准确表示的特殊值，也不能跨数量级过大导致采样精度丢失

2. 当前场景是否适配quad函数 #

完全适配，只需要调整调用参数即可得到正确结果，你可以选择两种修改方案，返回结果都约为5.326，和你用科学计算器计算的5.33一致：

# 方式1：缩小积分区间到高斯函数的有效取值范围
exc = quad(g, 6600, 6800, args=(1,6700,2.125))[0]
# 方式2：指定峰值位置，引导quad在对应区域采样
exc = quad(g, 4000, 8000, args=(1,6700,2.125), points=[6700])[0]

3. quad函数的实现原理 #

scipy的quad是对Fortran库QUADPACK的封装，核心采用自适应高斯-克罗内克（Gauss-Kronrod）求积算法：

• 首先在积分区间上用低阶高斯求积公式计算初步积分值，再用更高阶的克罗内克求积公式计算另一个值，两者的差值作为当前区间的积分误差估计
• 如果误差大于设定的容忍阈值，就把当前区间拆分成两个子区间，分别重复上述求积和误差判断步骤
• 递归迭代直到所有子区间的误差都满足阈值要求，累加所有子区间的积分值作为最终结果
• 针对不同的积分场景（无穷区间、带奇点、振荡函数等），QUADPACK还提供了不同的专用算法分支适配。

内容的提问来源于stack exchange，提问作者Peeno