Pandas DataFrame分组数值积分：按设备计算非均匀时间下的∫Idt

假设我们有这样的Pandas DataFrame，记录了不同设备在不同时间点的电流值：

import pandas as pd

data = {
    'Device': [1,1,1,1,1,1,2,2,2,2,3,3,3,3],
    'TimeSec': [0.1,0.25,0.32,0.45,1.32,2.37,0.22,0.34,1.87,3.21,0.16,1.12,2.45,3.45],
    'Current': [0.02,0.05,0.07,0.12,0.34,2.24,0.56,0.79,2.76,3.11,1.87,2.33,3.21,5.11]
}
df = pd.DataFrame(data)

需求很明确：针对每个Device，计算Current关于TimeSec的数值积分（∫Idt），最后汇总成一个包含设备ID和对应积分结果的新DataFrame。而且这里的时间间隔是不均匀的，每个设备的数据行数也不一样。

解决方案：分组 + 梯形法积分 #

对于不均匀间隔的数值积分，**梯形法（Trapezoidal Rule）**是最合适的选择，它能很好地适配不等间距的x轴数据。Pandas和NumPy都提供了现成的trapz函数来实现这个计算。

我们可以通过以下步骤完成：

1. 按Device对原始DataFrame进行分组
2. 对每个分组，用梯形法计算Current相对于TimeSec的积分
3. 将分组计算的结果整理成目标格式的DataFrame

具体代码如下：

import numpy as np

# 分组计算积分，结果会是一个Series，索引是Device，值是积分结果
integrated_results = df.groupby('Device').apply(
    lambda group: np.trapz(group['Current'], group['TimeSec'])
)

# 把Series转换成目标格式的DataFrame
result_df = integrated_results.reset_index(name='IntegratedCurrent')

print(result_df)

运行这段代码后，你会得到这样的结果：

Device  IntegratedCurrent
0       1           2.162150
1       2           6.233650
2       3           10.64855

代码解释 #

• groupby('Device')：把原始数据按设备ID分成独立的组，每个组对应一个设备的所有时间-电流数据
• np.trapz(y, x)：这里y是电流值Current，x是时间值TimeSec，函数会自动根据x的间隔计算梯形面积的总和，也就是积分结果
• reset_index(name='IntegratedCurrent')：把分组得到的Series（索引是Device）转换成标准的DataFrame，并重命名积分结果的列名为IntegratedCurrent

这样就完美解决了时间间隔不均、设备数据量不同的积分计算问题啦！

内容的提问来源于stack exchange，提问作者FunkyMore