### 使用 Python 实现移动平均滤波 #### Pandas 实现移动平均滤波 Pandas 提供了一个非常方便的方法 `rolling()` 来实现滑动窗口操作。通过设置窗口大小并调用 `.mean()` 方法，可以轻松完成简单的移动平均滤波。 以下是基于 Pandas 的代码示例： ```python import pandas as pd # 创建一个示例数据集 data = {'Steering_Angle(deg)': [10, 20, 30, 40, 50, 60, 70, 80]} df = pd.DataFrame(data) # 获取目标列 steering_angle = df['Steering_Angle(deg)'] # 定义窗口大小 window_size = 3 # 计算移动平均值 moving_average = steering_angle.rolling(window=window_size).mean() print(moving_average) ``` 上述代码实现了简单滑动平均滤波功能[^1]。其中，`window_size` 参数决定了滑动窗口的宽度，可以根据实际需求调整该参数来改变平滑程度。 --- #### Numpy 实现移动平均滤波 如果希望使用 NumPy 而不是 Pandas，则可以通过卷积运算（convolution）实现类似的滑动平均效果。具体来说，创建一个长度为窗口大小的一维数组作为权重向量，并将其与输入信号进行卷积计算。 以下是基于 NumPy 的代码示例： ```python import numpy as np def np_move_avg(a, n, mode="valid"): ret = np.cumsum(a, dtype=float) ret[n:] = ret[n:] - ret[:-n] return ret[n - 1 :] / n # 示例数据 a = np.array([10, 20, 30, 40, 50, 60, 70, 80]) # 窗口大小 window_size = 3 # 计算移动平均值 result = np_move_avg(a, window_size) print(result) ``` 此函数定义了一种高效的方式来进行简单滑动平均计算[^3]。注意，默认模式为 `"valid"`，这意味着仅返回完全重叠的部分；如果需要其他行为，可修改 `mode` 参数。 --- #### 滑动滤波器的工作原理 滑动滤波器的核心思想是对一组连续的数据点应用某种形式的加权平均，从而达到降噪和平滑的效果。对于简单滑动平均而言，所有数据点在窗口内的权重相等；而对于更复杂的变体（如加权滑动平均或指数加权移动平均），则允许不同的权重分配策略[^2]。 --- #### 性能对比与适用场景 - **Pandas 版本** 更适合处理结构化表格型数据，尤其是当数据已经存储在一个 DataFrame 中时。 - **NumPy 版本** 则更适合大规模数值计算任务，因为它通常具有更高的性能优化能力。 无论选择哪种方式，都需要合理设定窗口大小以平衡平滑度和细节保留之间的关系。 ---