滑动平均（moving_average）与均值滤波（mean_smooth）的区别

在数据处理时，我们为了平滑数据，有时会用到滑动平均算法。算法很简单，但是我不想自己写，于是上网搜现成的轮子，但是发现很多轮子是错误的，如文章：https://blog.csdn.net/weixin_42232219/article/details/90328880，https://www.yzlfxy.com/jiaocheng/python/338117.html

他们混淆了滑动平均与均值滤波的区别，用卷积的方式实现滑动平均。如：

import numpy as np	
 	
def np_move_avg(a,n,mode="same"):	
    return(np.convolve(a, np.ones((n,))/n, mode=mode))

然而，滑动平均与均值滤波是两种不同的算法。

滑动平均中有一个动量的概念，是用动量参与加权和的计算。

而均值滤波中没有动量的概念，是使用原始数据进行均值/加权和计算。

具体差异就是：与当前元素计算加权和的元素的来源不同。均值滤波是利用平滑前的数据；滑动平均是利用平滑后的数据。

具体差异见以下代码(在差异的代码后面有注释)：

def moving_average(scalars,weight=0.85):
	"""
	滑动平均算法
	:param scalars:  单层列表
	:param weight:  滑动平均权重（last的权重）
	:return:
	"""
	last = scalars[0]
	smoothed = [scalars[0]]
	for point in scalars:
		smoothed_value = last * weight + (1 - weight) * point
		smoothed.append(smoothed_value)
		last = smoothed_value # 用smoothed[-1]参与下一步的加权和计算
	return smoothed

def mean_smooth(scalars,weight=0.85):
	"""
	均值滤波
	:param scalars:  单层列表
	:param weight:  加权和权重
	:return:
	"""
	last = scalars[0]
	smoothed = [scalars[0]]
	for index,point in enumerate(1,scalars):
		smoothed_value = last * weight + (1 - weight) * point
		smoothed.append(smoothed_value)
		last = point  #用scalars的元素参与下一个环节的加权和计算
	return smoothed