我遇到了一个顽固的问题，那就是如何平滑模拟软件不太喜欢的一些尖角。

我有以下位移/负载/损坏与步骤/时间的关系：

源数据可以找到。

以下是导入数据和绘制上述图表的代码：

df = pd.read_csv("ExampleforStack.txt") # read data
x = df["Displacement"] # get displacement
y = df["Load"] # get load
d = df["Damage"] # get damage
# plot stuff
plt.figure()
plt.subplot(3,1,1)
plt.plot(x)
plt.grid()
plt.ylabel("Displacement")
plt.subplot(3,1,2)
plt.plot(y)
plt.grid()
plt.ylabel("Load")
plt.subplot(3,1,3)
plt.plot(d)
plt.grid()
plt.ylabel("Damage")
plt.xlabel("Step")
plt.gcf().align_ylabels()
plt.tight_layout()

当绘制位移图时，载荷和损坏看起来如下所示：

上述情节的断点如下：

print(bps)
# [0.005806195310298627, 0.02801208361344569]

我的目标是平滑负载和损坏的垂直黑线周围的数据。

到目前为止，我尝试了 lowess statsmodels.api.nonparametric，但结果看起来非常不理想：

上图的小数部分为 0.03，改变小数部分当然会带来很大的变化，但遗憾的是也不是理想的结果。

我尝试过的其他东西是高斯回归模型、奇异谱分析、Savitzky-Golay 滤波器、三次样条等……

到目前为止我唯一还没有检查的是曲线拟合，我可能会在明天检查。

背景信息：

• 位移是 DIC 分析的结果
• 通过试验机测量负载
• 损伤是根据位移、载荷和材料在弹性区域的刚度计算得出的值。

从质量上讲，我希望最终结果是这样的：

另外一个要求是平滑数据的导数也应该是平滑的而不是跳跃的。

我将非常感激任何能帮助我解决这个任务的提示！:D

---

根据马丁·布朗的建议，我做了以下操作来平滑曲线：

def boxCar(data, winSize):
    kernel = np.ones(winSize) / winSize # generate the kernel
    dataSmoothed = convolve(data, kernel, mode='same') # convolve
    # the next two lines is to correct the smoothing on the start and end of the arrays
    dataSmoothed[0:winSize] = data[0:winSize] # assign first elements to original data
    dataSmoothed[-winSize:] = data[-winSize:] # assign last elements to original data
    return dataSmoothed

来自。convolve​scipy.signal

---

高斯的另一种方法看起来像这样：

def gaussian(data, sigma):
    dataSmoothed = gaussian_filter1d(data, sigma=sigma)
    dataSmoothed[0:50] = data[0:50] # assign first elements to original data
    dataSmoothed[-50:] = data[-50:] # assign last elements to original data
    return dataSmoothed

高斯似乎比 boxCar 效果更好一些。gaussian_filter1d来自scipy.ndimage