数组平滑滤波用numpy实现：中位数滤波抗突发噪声，混合滤波（中位数+滑动平均）适配毛刺与波动，加权滑动平均兼顾阶跃响应；需注意边界处理、核归一化、标准差验证及趋势分离。

用数组做信号平滑滤波，核心是把原始数据转成一维数值数组，再通过卷积、滑动窗口或排序替换等数学操作批量压制噪声——不靠模型，不调大库，几行 NumPy 就能落地。

选对方法：按噪声类型匹配数组操作

突发噪声（比如传感器跳变、通信误码）本质是孤立的异常值，不是连续波动。平均类方法容易被它拖偏，中位数类更鲁棒：

• 脉冲型突发噪声（单点尖峰/深谷）：优先用中位数滤波。窗口取奇数（如3、5），每步取子数组排序后中间值，天然跳过极值；
• 密集毛刺+背景波动（如EMI干扰叠加高斯噪声）：先中位数滤波“去野值”，再滑动平均“压波动”，两步数组流水线；
• 趋势缓慢但含周期性突变（如设备启停引起的阶跃）：用带边界的加权滑动平均，新数据权重高（如[0.2, 0.3, 0.5]），减少滞后又保响应。

NumPy 实战：三行代码完成主流平滑

所有操作都基于原始信号数组 x = np.array([...])，无需循环：

• 滑动平均（均值滤波）：y = np.convolve(x, np.ones(5)/5, 'same') —— 窗口5，自动补零，长度不变；
• 中位数滤波：from scipy.signal import medfilt → y = medfilt(x, kernel_size=5)（注意 kernel 必须为奇数）；
• 混合滤波（推荐突发场景）：y = np.convolve(medfilt(x, 3), np.ones(5)/5, 'same') —— 先3点中位去尖峰，再5点均值稳基线。

关键细节：避免常见翻车点

数组平滑不是套公式，边界、归一化、验证缺一不可：

• 边界处理要显式声明：用 'same' 模式时，np.convolve 默认在两端补零，可能造成首尾失真。若原始信号首尾重要，改用 mode='valid' 截掉不可靠段，或手动用 np.pad 补边界值；
• 核必须归一化：均值核写成 np.ones(5)/5，不能只写 np.ones(5)，否则输出幅值被放大5倍；
• 验证不能只看图：计算平滑前后标准差变化，std_before / std_after 大于1.5才说明有效降噪；若下降不足，加大窗口或换中位数；
• 突发噪声残留？检查是否混入趋势：若信号本身有缓慢上升，直接平滑会掩盖真实变化。先用差分或移动中位数估计趋势，再从原信号中减去，平滑残差，最后加回趋势。

变量特征提取：平滑后立刻可挖的有用信息

平滑不是终点，而是为了更准地读出变量行为：

• 突变点定位：对平滑后信号求一阶差分，找绝对值超过阈值的位置 —— np.where(np.abs(np.diff(y)) > 0.3)[0]；
• 活跃度量化：计算差分绝对值的均值 np.mean(np.abs(np.diff(y)))，数值越大说明变量越“频繁动作”；
• 稳定性评分：统计平滑后信号中相邻三点单调性变化次数（即拐点数），次数越少路径越稳。