如何使用Python平滑曲线并且在边界处没有误差？

Question

考虑与两个numpy数组x和y相关联的以下曲线：

如何在Python中正确平滑处理曲线，避免在xmax附近出现问题？（如果应用高斯滤波器，则曲线会在末端上升）

数据在这里（两列）：http://lite4.framapad.org/p/xqhpGJpV5R

- Vincent

Answer 1

如果您的所有数据都是在对数空间中缓慢变化，我建议按照以下步骤操作：

1. 在线性比例尺下对对数数据进行大量下采样
2. 计算平滑样条
3. 转换回线性比例尺

例如：

import numpy as np
from scipy.interpolate import interp1d, splrep, splev
import pylab

x = np.log10(x)
y = np.log10(y)

ip = interp1d(x,y)
xi = np.linspace(x.min(),x.max(),10)
yi = ip(xi)

tcl = splrep(xi,yi,s=1)
xs = np.linspace(x.min(), x.max(), 100)
ys = splev(xs, tcl)

xi = np.power(10,xi)
yi = np.power(10,yi)
xs = np.power(10,xs)
ys = np.power(10,ys)

f = pylab.figure()
pl = f.add_subplot(111)
pl.loglog(aset.x,aset.y,alpha=0.4)
pl.loglog(xi,yi,'go--',linewidth=1, label='linear')
pl.loglog(xs,ys,'r-',linewidth=1, label='spline')
pl.legend(loc=0)
f.show()

这将得到以下结果：

- Christian K.

Answer 2

最简单的方法是在过滤之前对信号进行去趋势处理。你看到的边缘效应主要是由于信号不是平稳的（即它有一个斜率）导致的。

首先，让我们演示一下问题：

import numpy as np
import matplotlib.pyplot as plt
from scipy.ndimage import gaussian_filter1d

x, y = np.loadtxt('spectrum.dat').T

# Smooth with a guassian filter
smooth = gaussian_filter1d(y, 10)

fig, ax = plt.subplots()
ax.loglog(x, y, color='black')
ax.loglog(x, smooth, color='red')
plt.show()

哎呀！数据末端（右侧）的边缘效应最为严重，因为这是斜率最陡的地方。如果起始点的斜率更陡峭，你也会在那里看到更强的边缘效应。

---

好消息是有许多方法可以修正这个问题。@ChristianK. 的回答展示了如何使用平滑样条实现低通滤波器。我将使用其他一些信号处理方法来演示如何达到相同的目的。哪种方法“最好”取决于你的需求。平滑样条很简单。使用“高级”信号处理方法可以精确控制滤除的频率。

在对数-对数空间中，您的数据看起来像一个抛物线，因此让我们在对数-对数空间中使用二阶多项式去趋势化数据，然后应用滤波器。

这是一个快速示例：

import numpy as np
import matplotlib.pyplot as plt
from scipy.ndimage import gaussian_filter1d

x, y = np.loadtxt('spectrum.dat').T

# Let's detrend by fitting a second-order polynomial in log space
# (Note that your data looks like a parabola in log-log space.)
logx, logy = np.log(x), np.log(y)
model = np.polyfit(logx, logy, 2)
trend = np.polyval(model, logx)

# Smooth with a guassian filter
smooth = gaussian_filter1d(logy - trend, 10)

# Add the trend back in and convert back to linear space
smooth = np.exp(smooth + trend)

fig, ax = plt.subplots()
ax.loglog(x, y, color='black')
ax.loglog(x, smooth, color='red')
plt.show()

请注意，我们仍然存在一些边缘效应。这是因为我使用的高斯滤波器会导致相位移动。如果我们真的想要变得更加高级，我们可以去趋势化并使用零相位滤波器来进一步减少边缘效应。

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

def main():
    x, y = np.loadtxt('spectrum.dat').T

    logx, logy = np.log(x), np.log(y)
    smooth_log = detrend_zero_phase(logx, logy)
    smooth = np.exp(smooth_log)

    fig, ax = plt.subplots()
    ax.loglog(x, y, 'k-')
    ax.loglog(x, smooth, 'r-')
    plt.show()

def zero_phase(y):
    # Low-pass filter...
    b, a = signal.butter(3, 0.05)

    # Filtfilt applies the filter twice to avoid phase shifts.
    return signal.filtfilt(b, a, y)

def detrend_zero_phase(x, y):
    # Fit a second order polynomial (Can't just use scipy.signal.detrend here,
    # because we need to know what the trend is to add it back in.)
    model = np.polyfit(x, y, 2)
    trend = np.polyval(model, x)

    # Apply a zero-phase filter to the detrended curve.
    smooth = zero_phase(y - trend)

    # Add the trend back in
    return smooth + trend

main()

- Joe Kington