python numpy 对时序数据进行低通滤波

在Python中，NumPy库主要用于数值计算，但它本身并不直接提供低通滤波的功能。然而，我们可以结合另一个用于信号处理的强大库`SciPy`中的`filter()`函数或者专用库如`pandas`配合`rolling`窗口来对时序数据进行低通滤波。

`filter()`函数通常适用于数字信号处理，它可以根据特定的滤波器设计（例如巴特沃斯、切比雪夫等）来应用低通滤波。以下是使用`scipy.signal`模块的一个简单例子：

from scipy import signal
import numpy as np

# 假设你有一个包含时间序列数据的数组data
data = ...  # your time series data

# 定义样本率Fs (单位为Hz)
Fs = ...  # sampling frequency
cutoff_freq = ...  # 设定的截止频率

# 创建滤波器，这里是一个常见的 butterworth 滤波器
b, a = signal.butter(2, cutoff_freq / (0.5 * Fs), 'low')

# 应用滤波器
filtered_data = signal.lfilter(b, a, data)

如果你想要通过滑动窗口平滑数据而实现一种简单的低通效果，可以使用`pandas`库：

df = pd.DataFrame({'timestamp': range(len(data)), 'value': data})
smoothed_data = df['value'].rolling(window=window_size, min_periods=1).mean()

这里的`window_size`是你选择的滑动窗口大小，越大，滤波效果越明显。