数组信号去噪需选准滤波逻辑、窗口大小及边界处理：滑动平均适用于缓慢变化数据的高频抖动，中位数滤波专治脉冲噪声，组合策略先中位后均值更稳健，参数需依场景调整。
直接用数组实现信号去噪，关键在于选对滤波逻辑、设好窗口大小、处理好边界。不需要额外库，纯数组操作就能应对多数传感器或业务指标的异常波动。
滑动平均：平滑连续型随机抖动
适合温度、电压、访问量这类本身变化缓慢、但有小幅高频波动的数据。核心是用局部均值替代当前点，削弱随机误差。
- 取奇数长度窗口（如3、5），从索引0开始遍历到
len(arr) - window_size + 1 - 对每个位置
i，截取arr[i:i+window_size]求平均 - 边缘可补原值（如首尾各复制
window_size//2个元素），避免数据缩水
中位数滤波：剔除突发性尖峰/毛刺
对“某次读数突然跳到1000℃”这类脉冲噪声最有效。排序取中间值，天然免疫离群点，不扭曲整体趋势。
- 窗口必须为奇数（3、5、7），确保中位数唯一
- 对每个中心位置
i，取arr[i-window//2 : i+window//2+1]子数组 - 排序后取索引为
window//2的值，赋给新数组对应位置 - 首尾不足窗口时，可用镜像填充或直接保留原值
组合策略：先抗冲击再平滑
实际数据常混合噪声——既有偶尔跳变，又有持续抖动。单独用一种易顾此失彼，两级处理更稳健。
- 第一级：用窗口3中位滤波，快速抹掉明显异常点
- 第二级：对上步结果用窗口5滑动平均，进一步压平残余波动
- 参数可调：比如工业场景用3→5，IoT低功耗设备可缩为3→3以节省计算
实战注意几个细节
数组去噪不是套公式，得看数据脾气：
- 窗口太大 → 曲线变“懒”，错过真实突变（如设备告警上升沿）
- 窗口太小 → 噪声滤不净，尤其对密集毛刺效果打折
- 原始数据含NaN或空值 → 必须先清理，否则中位/均值计算会失效
- 实时流式处理 → 改用环形缓冲区维护窗口，避免反复切片开销
