### Python 中用于平滑曲线的函数或方法 在 Python 中，有多种库和方法可以用来平滑曲线。以下是几种常见的实现方式及其特点： #### 1. 使用 `scipy` 的 `savgol_filter` `savgol_filter` 是 SciPy 提供的一个强大的工具，基于 Savitzky-Golay 滤波器来平滑数据。它通过多项式拟合局部子集的数据点来进行平滑操作。 ```python from scipy.signal import savgol_filter window_length = 5 # 窗口大小 polyorder = 2 # 多项式的阶数 smoothed_data = savgol_filter(y, window_length, polyorder, mode='nearest') ``` 这种方法适用于需要保留信号特征的情况，并能有效减少噪声的影响[^1]。 --- #### 2. 使用 `statsmodels` 的 LOESS/Lowess 平滑 LOESS（Locally Estimated Scatterplot Smoothing）是一种非参数回归方法，适合于复杂形状的数据分布。它可以动态调整权重以适应不同的数据区域。 ```python import numpy as np import statsmodels.api as sm import matplotlib.pyplot as plt n = 100 x = np.linspace(0, 2 * np.pi, n) y = np.sin(x) + 0.3 * np.random.randn(n) lowess_result = sm.nonparametric.lowess(y, x, frac=1./3.) plt.plot(x, y, label="Noisy Data", linestyle="--") plt.plot(lowess_result[:, 0], lowess_result[:, 1], label="Smoothed Curve") plt.legend() plt.show() ``` 此方法特别适合处理具有较大波动性的数据[^2]。 --- #### 3. 高斯滤波 (`gaussian_filter1d`) 高斯滤波通过对邻近点加权平均的方式进行平滑，其核心思想是利用正态分布作为权重系数。 ```python from scipy.ndimage import gaussian_filter1d import numpy as np import matplotlib.pyplot as plt data = np.random.rand(100) # 示例数据 sigma = 3 # 控制平滑程度 smoothed_data = gaussian_filter1d(data, sigma=sigma) plt.plot(data, label="Original Data", alpha=0.7) plt.plot(smoothed_data, label="Gaussian Smoothed", linewidth=2) plt.legend() plt.show() ``` 该方法简单高效，在许多场景下都能提供良好的效果[^3]。 --- #### 4. 自定义移动平均法 如果希望手动控制平滑过程，可以通过自定义移动平均算法完成。这种方式灵活性较高，但可能不如内置函数优化得那么好。 ```python def moving_average_smooth(data, window_size): half_window = int(window_size / 2) smoothed = [] for i in range(len(data)): start_index = max(i - half_window, 0) end_index = min(i + half_window + 1, len(data)) avg_value = sum(data[start_index:end_index]) / (end_index - start_index) smoothed.append(avg_value) return smoothed raw_data = np.random.rand(100) smoothed_data = moving_average_smooth(raw_data, window_size=5) plt.plot(raw_data, label="Raw Data", alpha=0.7) plt.plot(smoothed_data, label="Moving Average Smoothed", linewidth=2) plt.legend() plt.show() ``` 这种技术非常适合初学者理解和实践平滑原理[^4]。 --- #### 5. 插值法平滑 插值法通过构建新的采样点并重新绘制曲线达到平滑目的。虽然严格意义上不完全属于“平滑”，但在某些情况下非常有用。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import make_interp_spline x = np.array([-10, -9, ..., 49]) y = np.random.rand(len(x)) new_x = np.linspace(min(x), max(x), 300) spl = make_interp_spline(x, y, k=3) # 构建三次样条插值对象 new_y = spl(new_x) plt.plot(x, y, 'o', label="Data Points") plt.plot(new_x, new_y, '-', label="Interpolated Curve") plt.legend() plt.show() ``` 对于离散化较高的数据集尤其适用[^5]。 --- ### 总结 以上介绍了五种主流的 Python 数据平滑方法：Savitzky-Golay 滤波、LOESS 平滑、高斯滤波、移动平均以及插值法。每种方法都有各自的优缺点，实际应用时需根据具体需求选择合适的方案。