带权重的多点滑动平均

 Python的滑动平均可以用卷积函数np.convolve实现的，但是对于数据边缘，要不就选择mode='valid'让两端数据缺失，要不选择mode='same'让边界的数据有偏差（边界效应），为了合理估计边缘的滑动值，往外扩展了2个数（用原序列边缘的数据求平均），自己写了一个1-2-4-2-1五点平滑。

import csv

def smooth_5(data):
    import numpy as np
    data=np.array(data)
    
    # 扩展边缘值
    data_02 = (data[0]+data[1]+data[2])/3.0
    data_01 = (data[0]+data[1]+data[2]+data[3])/4.0
    data_1 = (data[-1]+data[-2]+data[-3]+data[-4])/4.0
    data_2 = (data[-1]+data[-2]+data[-3])/3.0
    data = [data_02,data_01]+data+[data_1,data_2]
    
    # 利用卷积函数平滑    
    arr_data = np.convolve(np.array(data),w/w.sum(),'valid')
    
    return arr_data
    
Id=[]
with open('Id_norm.csv',encoding='gb18030',errors="ignore") as d:
    csv_file = csv.reader(d)
    for row in csv_file :
      Id.append(row)
Id_norm=Id[1]

Id_5=smooth_5(Id_norm)

实测能用

同理，还可以做1-2-1,1-3-4-3-1等等滤波器，只需要修改相应系数即可。

但是这么设置还是有点麻烦的，每次使用都要改函数里面的内容，所以后来索性换一个思路，使用while循环先把数据两端扩展半个滑动窗口长度，再利用np.convolve并且选择mode='valid'，让平滑后的序列与原序列长度相同，这样就可以直接把平滑窗各位置的权重写成一个元组或者列表，作为参数传进函数里计算了。

def smooth_weight(data,weight=(1,2,4,2,1)):
    import numpy as np
    data=np.array(data)
    data_raw=data.copy()
    w=np.array(weight)

    # 扩展边缘
    t=w.shape[0]-1
    while t!=(w.shape[0]-1)/2: 
        data_head=np.array([np.nanmean(data_raw[:t])])
        data_tail=np.array([np.nanmean(data_raw[-t:])])
        data = np.concatenate((data_head,data,data_tail)) 
        t -= 1
    
    # 利用卷积函数平滑    
    arr_data = np.convolve(np.array(data),w/w.sum(),'valid')
    
    return arr_data

Id=[]
with open('Id_norm.csv',encoding='gb18030',errors="ignore") as d:
    csv_file = csv.reader(d)
    for row in csv_file :
      Id.append(row)
Id_norm=Id[1]

Id_5=smooth_weight(Id_norm,weight=(1,2,4,2,1))

Id_7=smooth_weight(Id_norm,weight=(1,2,3,4,3,2,1))

欢迎交流

祝各位科研顺利~