### 使用Python放大一组数据的变化 为了放大一组数据的变化，可以采取几种不同的方法来增强数据中的微小差异。一种常见的做法是对原始数据应用缩放因子或将数据标准化后再乘以一个较大的系数。 #### 方法一：简单线性缩放 最直接的方法是将每一项数值乘以一个固定的倍数： ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt # 假设有如下时间序列数据 data = {'value': [1, 2, 3, 4, 5]} df = pd.DataFrame(data) scale_factor = 10 # 放大比例设置为10倍 df['scaled_value'] = df['value'] * scale_factor plt.figure(figsize=(8, 4)) plt.plot(df.index, df['value'], label='Original Data') plt.plot(df.index, df['scaled_value'], linestyle='--', color='r', label=f'Scaled by {scale_factor}') plt.legend() plt.show() ``` 这种方法适用于希望保持原有趋势不变的情况下仅增加振幅的情况[^1]。 #### 方法二：基于均值和方差的标准分数转换 如果想要更科学地处理不同量级的数据集，则可以通过计算Z-score来进行变换，之后再调整其大小： ```python from scipy.stats import zscore def amplify_changes(series, factor=5): """ 对输入的时间序列进行z-score标准化并按给定因素扩大 """ standardized_series = zscore(series) amplified_series = standardized_series * factor return amplified_series amplified_values = amplify_changes(df['value']) df['amplified_zscore'] = amplified_values fig, ax = plt.subplots(1, figsize=(9, 5)) ax.plot(df.index, df['value'], marker="o", markersize=6, label='Raw Values') ax.plot(df.index, df['amplified_zscore']+np.mean(df['value']), '--', linewidth=2, alpha=.7, c='orange', label='Amplified Changes') for i in range(len(df)): ax.text(i-.1, df.iloc[i]['value']+.1, str(round(df.iloc[i]['value'], 2)), size=10, bbox=dict(boxstyle="round,pad=0.3", fc="white")) ax.set_title('Comparison Between Raw and Amplified Data Series') ax.legend(); ``` 此方式能够更好地反映相对变动情况而不受绝对水平的影响。 #### 方法三：利用移动平均平滑后的残差信号 对于含有噪声的真实世界数据来说，先做一次短期（如5日）的移动平均滤波器运算去除高频干扰成分；接着求取原序列减去该均线值得到剩余部分即所谓的“残差”，最后对这些残差实施上述任一放大策略即可突出显示细微变化特征。 ```python window_size = 5 ma_filtered = df['value'].rolling(window=window_size).mean().dropna() residuals = ma_filtered.diff().fillna(method='bfill').abs() # 取绝对值是为了简化展示逻辑 multiplier = 20 # 自定义增益参数 enhanced_residuals = residuals * multiplier # 应用放大效应 final_result = enhanced_residuals.add(ma_filtered.shift(-1), fill_value=0) plt.figure(figsize=(10, 6)) plt.plot(final_result, 'g-', lw=2., ms=8.) plt.scatter(x=df.index[:-len(residuals)+1], y=final_result.values, s=100*enhanced_residuals.values/np.max(enhanced_residuals), facecolors='none', edgecolors='blue') plt.title("Enhanced Residual Signal After Moving Average Filtering") plt.tight_layout(); plt.grid(True); plt.show() ``` 这种技术特别适合于金融市场的价格走势分析，在那里即使是很小的价格波动也可能蕴含着重要的交易机会信息。