以上限为自变量的积分函数处理数组触发ValueError的解决方法

这个问题我之前也踩过坑！本质原因是scipy.integrate.quad本身只支持单个标量作为积分上限，没法直接处理数组输入，所以当你传数组进去时，内部的逻辑会因为数组的布尔判断歧义抛出那个ValueError。下面给你几个靠谱的解决方法：

numpy.vectorize可以帮你把原本只接受标量的函数，转换成能直接处理数组的版本，不需要修改原函数的逻辑，非常省心：

from scipy import integrate
import numpy as np

def integr(x):
    f = lambda y: 1  # 示例函数
    value, _ = integrate.quad(f, 0, x)
    return value

# 用vectorize包装原函数
vectorized_integr = np.vectorize(integr)

# 测试数组输入
x_array = np.array([1, 2, 3])
result = vectorized_integr(x_array)
print(result)  # 输出 [1. 2. 3.]

注意：这个方法本质是循环处理数组的每个元素，所以如果你的数组特别大，效率可能会稍低，但日常使用完全足够。

如果不想依赖np.vectorize，也可以自己写循环逐个处理数组元素，逻辑更透明，适合需要在循环中加额外判断或操作的场景：

from scipy import integrate
import numpy as np

def integr(x):
    f = lambda y: 1  # 示例函数
    value, _ = integrate.quad(f, 0, x)
    return value

x_array = np.array([1, 2, 3])
# 遍历数组每个元素计算，再转成numpy数组
result = np.array([integr(x) for x in x_array])
print(result)  # 输出 [1. 2. 3.]

如果你的Scipy版本在1.10及以上，可以试试scipy.integrate.quad_vec——它是quad的向量化版本，原生支持数组形式的积分上限，效率比循环高很多：

from scipy import integrate
import numpy as np

def f(y):
    return 1  # 示例函数

x_array = np.array([1, 2, 3])
# quad_vec可以直接处理数组类型的上限参数
values, _ = integrate.quad_vec(f, 0, x_array)
print(values)  # 输出 [1. 2. 3.]

这个方法适合处理大型数组，或者对性能有要求的场景。

内容的提问来源于stack exchange，提问作者M. R.