我不明白你的问题到底是什么，但是这里有一些你可以做的事情。
你可以创建一个长一个索引的A，以零作为第一个条目：

# initialize example data
import numpy as np
B = 1
dt = 1
position =  np.array([4, 4.34, 4.69, 5.02, 5.3, 5.7])

# do calculation
A = np.zeros(len(position) + 1)
A[1:] = np.cumsum((B/position**2)*dt)

结果：

A = [ 0.          0.0625      0.11559096  0.16105356  0.20073547  0.23633533 0.26711403]
len(A) == len(position) + 1

或者，您可以操作计算以减去结果的第一个条目：

# initialize example data
import numpy as np
B = 1
dt = 1
position =  np.array([4, 4.34, 4.69, 5.02, 5.3, 5.7])

# do calculation
A = np.cumsum((B/position**2)*dt)
A = A - A[0]

结果：

[ 0.          0.05309096  0.09855356  0.13823547  0.17383533  0.20461403]
len(A) == len(position)

正如你所看到的，结果有不同的长度。其中一个是你所期望的吗？

1D累积

np.cumsum的 Package 器，将第一个元素设置为0：

def cumsum(pmf):
    cdf = np.empty(len(pmf) + 1, dtype=pmf.dtype)
    cdf[0] = 0
    np.cumsum(pmf, out=cdf[1:])
    return cdf

示例用法：

>>> np.arange(1, 11)
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

>>> cumsum(np.arange(1, 11))
array([ 0,  1,  3,  6, 10, 15, 21, 28, 36, 45, 55])

N-D累积

一个围绕np.cumsum的 Package 器，它将第一个元素设置为0，并使用N-D数组：

def cumsum(pmf, axis=None, dtype=None):
    if axis is None:
        pmf = pmf.reshape(-1)
        axis = 0

    if dtype is None:
        dtype = pmf.dtype

    idx = [slice(None)] * pmf.ndim

    # Create array with extra element along cumsummed axis.
    shape = list(pmf.shape)
    shape[axis] += 1
    cdf = np.empty(shape, dtype)

    # Set first element to 0.
    idx[axis] = 0
    cdf[tuple(idx)] = 0

    # Perform cumsum on remaining elements.
    idx[axis] = slice(1, None)
    np.cumsum(pmf, axis=axis, dtype=dtype, out=cdf[tuple(idx)])

    return cdf

示例用法：

>>> np.arange(1, 11).reshape(2, 5)
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

>>> cumsum(np.arange(1, 11).reshape(2, 5), axis=-1)
array([[ 0,  1,  3,  6, 10, 15],
       [ 0,  6, 13, 21, 30, 40]])

我完全理解你的痛苦，我想知道为什么Numpy不允许np.cumsum这样做。不管怎样，虽然我真的很晚了，而且已经有另一个好答案了，我更喜欢这个：

np.cumsum(np.pad(array, (1, 0), "constant"))

这里的array是(B/position**2)*dt。你也可以改变np.pad和np.cumsum的顺序。我只是在数组的开头加上一个零，然后调用np.cumsum。

可以使用roll（右移1），然后将第一个条目设置为零。

另一种方法是简单地将0添加到您正在执行cumsum的列表中：

import numpy as np

position = np.array([4, 4.34, 4.69, 5.02, 5.3, 5.7, ..., 4])
x = (B/position**2)*dt

A = np.cumsum([0] + x)

如果x是list或np.ndarray，则这两种情况都有效。