scipy.signal中的find_peaks返回参数的含义是什么

from scipy.signal import find_peaks
import numpy as np
euclid_dist_list=[0.0, 0.0001937524193405033, 0.00020315757431000353, 0.00021199292441278066, 0.00030161730719765014, 0.0007627581530266792, 0.0009356548508973712, 0.0010240087890268543, 0.001130904947379383, 0.0012378533838880775, 0.0015164432069824563, 0.002306882961918802, 0.0027305700869949883, 0.00327856081230726, 0.003365930480567043, 0.0034010048515090564, 0.0034962288254655857, 0.003917544639183926, 0.005455998900294301, 0.007612380705144186, 0.00946793393513828, 0.009490359582229428, 0.009505133034312038, 0.00968543695452637, 0.011589388637894429, 0.01452842414028067, 0.01619336851924871, 0.018283836194844767, 0.01932721381886599, 0.01933914837835162, 0.019384376208694546, 0.019400652824074376, 0.02037219607700345, 0.020708332260224067, 0.02282139772231171, 0.02311723004600829, 0.023315926445240127, 0.025260637719581244, 0.025453551598938234, 0.026192585286685843, 0.029864056874448177, 0.03184090005009668, 0.0318887429040437, 0.03199302889693064, 0.03228313801351942, 0.0332384546722647, 0.036456355728463646, 0.04058408160843843, 0.0407410928915821, 0.044328504655584425, 0.04468496789749354, 0.04694719214181708, 0.0470346097464398, 0.047153539517196454, 0.04742988081368288, 0.047758147001327314, 0.04787872197542545, 0.04982903270183598, 0.05359719683901544, 0.05503353749305748, 0.056281824632830775, 0.056395101569198275, 0.05704089291903195, 0.05767054390240834, 0.06009161193544871, 0.0629750393251152, 0.06377928260023596, 0.0649864633981635, 0.06510985641206544, 0.06523707266578102, 0.06653601930533472, 0.06674463873600273, 0.06678451392351144, 0.06709761999504861, 0.06843506844447673, 0.06982945671419966, 0.07151999377097058, 0.07193605152494732, 0.07293384470875315, 0.0756580301422146, 0.07766096930247249, 0.07873341619033539, 0.07995279435391844, 0.08016174664390285, 0.08052705932791168, 0.08241122646825035, 0.0825969427642417, 0.08361210348388706, 0.0852365280205659, 0.08973029192530381, 0.09227654666273152, 0.09231858872404794, 0.09264497079172508, 0.09276675864231211, 0.092906910851669, 0.09361321793956108, 0.09365131877875472, 0.09396352018203367, 0.09405667711013133, 0.09461185437883098, 0.09451120988010384, 0.09424300006366246, 0.09418710563553986, 0.09417885067253673, 0.09400328692657828, 0.0939594416437263, 0.09393174486296765, 0.09361955476287893, 0.093262138689829, 0.09294874041642813, 0.09315618726096413, 0.09412800977923942, 0.09430886452502717, 0.09648026112113091, 0.09707085775349918, 0.09714325376988463, 0.09751784995579678, 0.09796766026603378, 0.09814910683751416, 0.09958053830443872, 0.10267568326044821, 0.10561088153216516, 0.10568505989496056, 0.1061509803299027, 0.1078863943229183, 0.11007778373949632, 0.11392082121368076, 0.11568622681200644, 0.1158427735726323, 0.1185181321697255, 0.12157128634674468, 0.12174367036524199, 0.12210658725064509, 0.1235774131465788, 0.12825309986507655, 0.131841483562655, 0.1338662826891145, 0.13544654048368834, 0.13706564576508815, 0.13869713091842345, 0.1401704810186567, 0.14026950312879488, 0.1416618724216291, 0.14352231125508805, 0.1440632148259933, 0.14480569403514257, 0.14523630087894382, 0.14531643304527464, 0.14538203523475995, 0.14556670257995355, 0.1451600690617037, 0.1449517631110457, 0.14487951554309728, 0.1439394371011695, 0.14360444141460124, 0.14320764913927891, 0.1426438207880004, 0.14246213035400085, 0.1424003652312729, 0.14164941175310075, 0.14160411943514073, 0.1413231559228782, 0.14081796636083888, 0.14076130667907108, 0.14064125969999872, 0.14022580785647343, 0.14007302193498858, 0.13989246984737774, 0.1397212840765528, 0.13929711078482768, 0.1389042982920304, 0.13883559372149176, 0.1387856482493852, 0.13894714388572543, 0.13868996883697482, 0.13862808522446352, 0.1386709326787694, 0.1386277407303553, 0.13886461659113353, 0.1393396332491281, 0.13951981366100086, 0.139539579435373, 0.14038667395804555, 0.14129148927306548, 0.14215840005078734, 0.142485674241314, 0.14254877554367912, 0.14317185480743966, 0.14413039163896604, 0.14501443831908822, 0.14529626873736967, 0.14437642683277999, 0.1451636201877068, 0.14644981124262543, 0.14661189933972033, 0.1476195263540741, 0.1485640911829041, 0.14893904318881743, 0.15027051814977477, 0.15087454947737403, 0.1513104407798841, 0.1513624859236933, 0.150711008864656, 0.15051219563211965, 0.14961485255147458, 0.1480386511996066, 0.1468109175776798, 0.14629570646126336, 0.1460583865206013, 0.145812492198029, 0.14472972529857087, 0.14076714109834532, 0.13974317369374964, 0.1395322658025782, 0.13760307058347038, 0.13594368184656502, 0.13385331341809356, 0.13371769514166895, 0.13343953179249543, 0.13159417243176744, 0.13127617949956186, 0.12911846703706362, 0.12342192927109925, 0.1212992052241027, 0.12113073807255305, 0.11878847399053295, 0.11549514501052272, 0.1151417815825349, 0.11432021163381557, 0.10975861728812604, 0.10961536301541513, 0.10421054384754624, 0.10282101112126653, 0.10018284418501992, 0.09904260762419945, 0.09852998177713149, 0.09589466786532097, 0.0939162595933264, 0.09310411875422558, 0.09274731009037762, 0.09192943013529362, 0.0935726153583455, 0.09398364588054847, 0.09426856954467853, 0.09434406379312466, 0.09447871456047297, 0.09295431626880152, 0.090232617539332, 0.08580792728530662, 0.0826167518364244, 0.08094726711261656, 0.07905520918953245, 0.07770157188243385, 0.07794051507399735, 0.0779453658019534, 0.07787100144469687, 0.07766365498738952, 0.0769479236432005, 0.07689280541767325, 0.075423935431668, 0.07362111236595348, 0.07337481882090358, 0.07192860313532796, 0.07185982038664351, 0.07145400727741576, 0.07075677054530038, 0.07017548787148044, 0.0657044379703552, 0.061371950213429886, 0.056159687223135114, 0.05077336538974469, 0.045578130205172075, 0.04059695955364225, 0.03732200844006626, 0.03594328344767485, 0.0359128346138332, 0.035878188652716324, 0.0358483089698844, 0.035593104739545425, 0.0354892885952919, 0.0352471285922771, 0.03500361729879225, 0.03493917155572385, 0.03491888549195051, 0.03490539929581938, 0.03489150390855167, 0.03488095116249852, 0.03489461992915356, 0.034901784324010234, 0.0351492962660781, 0.03525081452959907, 0.035979613922331594, 0.03607839589007034, 0.03643848015491748, 0.036768946802972026, 0.03670452845358231, 0.032091910958992796, 0.0272472807083547, 0.024171945081023986, 0.023851081401065715, 0.024187949479036353, 0.02216219501764739, 0.020845160805327105, 0.018224488278146087, 0.017277435284203932, 0.01644705423473392, 0.016276031457338663, 0.01182962416985177, 0.009134422039735612, 0.007500480851250437, 0.00746613179632091, 0.00844787269080434, 0.008872468709440862, 0.009040782986003264, 0.009132618956247802, 0.007800092948162376, 0.0072972534559224474, 0.006621669275945528, 0.0065506953066043535, 0.006667329675357807, 0.007911720735712334, 0.007777863074135581, 0.009159707964776583, 0.009370417546719226, 0.00827860888072817, 0.006177957105709499, 0.0053477339125966045, 0.00484492032957915, 0.0035383229078202122, 0.003489112494600848, 0.0035065165050195165, 0.0028341773056731116, 0.0016493104619827203, 0.000998402724357771, 0.0005422785262254298, 0.0003186283101073589, 1.5000000004761205e-05, 7.818567643810187e-05, 0.0004027828198961821, 0.0006846342089031306, 0.0008126899777868912, 0.0011847987170893622, 0.0014100269501028965, 0.001600086247674549, 0.0017019541709455228, 0.0019108600158081646, 0.0018218962648812967, 0.0018338126949078274, 0.0018063424370817203, 0.0019081284023846207]
x=np.array(euclid_dist_list)
peaks, properties = find_peaks(euclid_dist_list, width=5)
fig=plt.figure(figsize=(20,10))
plt.plot(x)
plt.plot(peaks, x[peaks], “x”)
plt.vlines(x=peaks,
ymin=x[peaks] - properties[“prominences”],
ymax = x[peaks], color = “red”)
plt.hlines(y=properties[“width_heights”],
xmin=properties[“left_ips”],
xmax=properties[“right_ips”],
color = “black”)
plt.show()

参考文章链接：
https://vimsky.com/examples/usage/python-scipy.signal.find_peaks.html