from scipy import signal
signal.decimate(mysignal, 2, ftype="fir")
signal.resample_poly(mysignal, 1, 2)
我使用这两个函数得到了相同的结果：信号被重新采样，但是峰值（包括正负的）被削弱了。
是我使用的函数有问题，还是需要传递一个自定义的FIR滤波器？
注意
如果你的信号频率达到了采样频率的极限（奈奎斯特-香农采样定理），那么降采样将总是损坏信号。在你的情况下，你的尖峰类似于非常高频的信号，因此你需要非常高的采样频率。
（例如：你有三个点，中间一个有尖峰。你想将其降采样为2个点。把尖峰放在哪里？无处可放，因为你的样本不足。）
尽管如此，如果你真的想要降采样信号，并且仍然想要（或多或少地准确地）保留特定点（在你的情况下是尖峰），你可以尝试以下方法，该方法“保存”你的尖峰，降低采样信号，然后只在相应的降采样信号位置上应用“保存”的尖峰。
操作步骤：
1) 获取尖峰，或者换句话说，本地最大值（或最小值）。
2) 降低采样信号
3) 使用第1步得到的尖峰，替换相应的降采样位置上的值
（要考虑到你的信号将会受到损坏。你不能降低采样而不失去由一个或两个点表示的尖峰）
编辑
示例说明
这是一个保留尖峰的示例。它只是一个示例，现在它不能用于负值。
import numpy as np
import matplotlib.pyplot as plt
from collections import deque
t = np.arange(1000)/100
y = np.sin(t*2*3.14)
y[150]=5
y[655]=5
y[333]=5
y[250]=5
def downsample(factor,values):
buffer_ = deque([],maxlen=factor)
downsampled_values = []
for i,value in enumerate(values):
buffer_.appendleft(value)
if (i-1)%factor==0:
#Take max value out of buffer
# or you can take higher value if their difference is too big, otherwise just average
downsampled_values.append(max(buffer_))
return np.array(downsampled_values)
plt.plot(downsample(10,y))
plt.show()
如果您对别名不太挑剔，那么您可以只取每第二个（第N个）样本的最大值。
def take(N, samples):
it = iter(samples)
for _ in range(len(samples)/N):
yield max(it.next() for _ in range(N))
理解这个：
import random
random.seed(1)
a = [random.gauss(10,3) for _ in range(100)]
for c in take(5, a):
print c
如果您的硬件支持，可以以最高可能的频率进行采样，但仅在振幅或时间差异达到最小值时保存一个点。这样，您的实际数据点将根据任一标准进行过滤。当信号没有真正变化时，您就有了所需的采样率，并且峰值也仍然被记录。
假设data包含您的恒定采样率采样点。在此算法结束时，列表saved将包含您的data中所有重要的[时间戳，采样点]条目：
DIVIDER = 5
THRESHOLD = 1000
saved = [ [0, data[0]] ]
for i in range(1, len(data)):
if( (i % DIVIDER == 0) || (abs(data[i] - data[i - 1]) > THRESHOLD) ):
saved.append([ i, data[i] ])
不必查看两个采样点之间的振幅差异，您也可以通过对此简单代码进行微小更改，保存所有高于或低于某个振幅的数据点。