【Savitzky-Golay 滤波器】scipy.signal.savgol_filter 的使用

scipy.signal.savgol_filter 是 SciPy 库中用于数据平滑的函数。Savitzky-Golay 滤波器通过多项式拟合来平滑数据，并保留信号的高频特性，比其他平滑方法（如移动平均）更能保留信号的特征。以下是对 savgol_filter 的详细解释：

主要功能

Savitzky-Golay 滤波器主要用于平滑和微分不规则数据，并在保留数据趋势和特征的同时减少噪声。
原理解释请参考：Savitzky-Golay平滑滤波器的最小二乘拟合原理综述

参数说明

scipy.signal.savgol_filter 的函数签名如下：

scipy.signal.savgol_filter(x, window_length, polyorder, deriv=0, delta=1.0, axis=-1, mode='interp', cval=0.0)

• x: 输入的数组，待平滑的数据。
• window_length: 滑动窗口的长度，必须是正奇数，决定了平滑的范围。
• polyorder: 拟合多项式的阶数，必须小于 window_length。
• deriv (可选): 所求导数的阶数，默认值为 0，表示仅平滑数据。
• delta (可选): 样本间隔，默认值为 1.0。
• axis (可选): 应用滤波器的轴，默认值为 -1（最后一个轴）。
• mode (可选): 用于处理边界的模式，可以是 'mirror'、'constant'、'nearest'、'interp' 或 'wrap'，默认值为 'interp'。
• cval (可选): 当 mode='constant' 时，使用的常量值，默认值为 0.0。

用法示例

下面是一个使用 Savitzky-Golay 滤波器平滑数据的示例：

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import savgol_filter

# 创建示例数据
x = np.linspace(-4, 4, 500)
y = np.exp(-x**2) + np.random.normal(0, 0.05, x.shape)

# 应用 Savitzky-Golay 滤波器
y_filtered = savgol_filter(y, window_length=51, polyorder=3)

# 绘制原始数据和平滑后的数据
plt.plot(x, y, label='Noisy data')
plt.plot(x, y_filtered, label='Smoothed data', color='red')
plt.legend()
plt.show()

在这个示例中，y 是带有噪声的原始数据，y_filtered 是应用 Savitzky-Golay 滤波器后的平滑数据。window_length=51 和 polyorder=3 表示使用 51 个数据点的窗口，并拟合三次多项式。

应用场景

• 数据平滑：适用于减少数据中的噪声，同时保留信号的特征。
• 数值微分：可以通过设置 deriv 参数计算信号的导数。
• 实验数据处理：在处理实验数据时，尤其是在数据中存在显著噪声时非常有用。

注意事项

• window_length 必须是奇数，并且要大于 polyorder。
• 滑动窗口的选择应平衡平滑效果和信号特征的保留。
• 在数据边界处，滤波器的效果可能会有所不同，选择适当的 mode 参数可以改善边界处理。

总之，scipy.signal.savgol_filter 是一种强大的工具，用于平滑和微分不规则数据，特别适用于保留数据特征的同时减少噪声。