### Python 中对波形数据进行平滑处理的方法 在 Python 中，可以采用多种方法对波形数据进行平滑处理。以下是一些常见的技术以及其实现方式： --- #### 1. **Savitzky-Golay 滤波** Savitzky-Golay 滤波是一种多项式拟合滤波器，适用于保留信号特征的同时减少噪声的影响。 ```python from scipy.signal import savgol_filter import numpy as np import matplotlib.pyplot as plt # 假设 data 是带有噪声的波形数据 data = np.random.randn(100) + np.sin(np.linspace(0, 10, 100)) window_length = 9 # 窗口长度应为奇数 polyorder = 3 # 多项式的阶数 smoothed_data = savgol_filter(data, window_length, polyorder) # 可视化结果 plt.figure(figsize=(10, 6)) plt.plot(data, label="Original Data", alpha=0.7) plt.plot(smoothed_data, label="Smoothed Data", color="red") plt.title("Savitzky-Golay Filter Smoothing") plt.legend() plt.show() ``` 这种方法特别适合于需要保持信号形状的情况下进行平滑[^1]。 --- #### 2. **移动平均滤波** 移动平均滤波通过对窗口内的数据求均值来降低高频噪声的影响。 ```python def moving_average(data, window_size): return np.convolve(data, np.ones(window_size)/window_size, mode='valid') window_size = 5 smoothed_data = moving_average(data, window_size) # 可视化结果 plt.figure(figsize=(10, 6)) plt.plot(data, label="Original Data", alpha=0.7) plt.plot(range(len(smoothed_data)), smoothed_data, label="Smoothed Data", color="green") plt.title("Moving Average Filter Smoothing") plt.legend() plt.show() ``` 这种简单而有效的技术通常用于去除短周期波动[^5]。 --- #### 3. **插值法平滑** 通过插值生成更多的点并使曲线更加光滑。 ```python from scipy.interpolate import make_interp_spline x = np.arange(len(data)) # 数据索引作为 x 轴 y = data # 数据本身作为 y 轴 x_new = np.linspace(x.min(), x.max(), 300) # 新的密集采样点 spl = make_interp_spline(x, y, k=3) # 创建三次样条插值对象 y_new = spl(x_new) # 计算新的 y 值 # 可视化结果 plt.figure(figsize=(10, 6)) plt.plot(x, y, label="Original Data", alpha=0.7) plt.plot(x_new, y_new, label="Interpolated Smooth Data", color="orange") plt.title("Cubic Spline Interpolation Smoothing") plt.legend() plt.show() ``` 这种方法能够很好地适应复杂形态的数据[^4]。 --- #### 4. **高斯滤波** 高斯滤波利用正态分布权重对邻近点加权平均，从而达到平滑效果。 ```python from scipy.ndimage import gaussian_filter1d sigma = 2 # 控制平滑程度 smoothed_data = gaussian_filter1d(data, sigma=sigma) # 可视化结果 plt.figure(figsize=(10, 6)) plt.plot(data, label="Original Data", alpha=0.7) plt.plot(smoothed_data, label="Gaussian Smoothed Data", color="purple") plt.title("Gaussian Filter Smoothing") plt.legend() plt.show() ``` 高斯滤波非常适合于模拟自然现象中的模糊效应[^5]。 --- #### 方法比较与选择建议 - 如果目标是既平滑又保留信号细节，推荐使用 Savitzky-Golay 滤波。 - 若只需简单的降噪操作，可尝试移动平均或高斯滤波。 - 当面对复杂的非线性趋势时，插值法可能是更好的选择。 ---