用scipy.signal.find_peaks直接检测原始序列周期性峰值易受噪声干扰而失败；需先平滑或频域转换，少量数据（如3个周期）时应显式指定period参数，并可用acf初估；stl提取的seasonal成分已中心化但长度减2×period；robust=true可抗异常值但变慢，建议先试robust=false；验证周期性须交叉验证：acf图看k/2k/3k处是否持续显著，且分段均值曲线叠加后轮廓重合。
用 scipy.signal.find_peaks 检测原始序列的周期性峰值
直接对原始时间序列调用 find_peaks 往往失败，因为噪声会制造大量伪峰。必须先平滑或转换到频域——但如果你只有少量数据（
- 用
scipy.signal.savgol_filter做低阶平滑（window_length=11,polyorder=2），避免过度抹平真实峰 - 设置
distance参数强制最小峰间距，例如日周期对应 24 小时采样点数，就设distance=24 - 慎用
prominence：太小引入噪声峰，太大漏掉弱但真实的周期峰；建议先画出peak_prominences分布再定阈值
用 numpy.fft.rfft 提取主周期成分（非平稳序列慎用）
rfft 返回的是复数频谱，幅值最大处对应的频率才是主周期，但容易误判——因为直流分量（0 频）总是最强，且高频噪声可能干扰次强峰。
- 务必先减去均值：
x_centered = x - np.mean(x)，否则 0 频占满整个能量 - 用
np.abs(rfft(x_centered))取幅值谱，跳过第 0 个点（直流），在剩余部分找最大值索引i_max - 主周期长度 =
len(x) / i_max（单位为采样点数），不是i_max本身 - 若序列含趋势（如线性上升），FFT 会泄漏能量到低频，导致周期偏长；此时应先用
scipy.signal.detrend去趋势
用 statsmodels.tsa.seasonal.STL 分离周期成分（推荐用于带趋势+噪声的实际数据）
STL 不假设周期固定，能自适应变化的季节性，比 FFT 更鲁棒，但计算开销大、需要足够长度（建议 > 3 个完整周期）。
-
period参数必须显式指定——它不是待检测的值，而是你“认为最可能的周期长度”（如日数据填24或7），STL 会在此附近优化 - 若不确定
period，可先用 ACF（statsmodels.tsa.stattools.acf）找滞后自相关显著的首个峰值位置，作为初始值 - 提取周期成分用
stl.seasonal，它已自动中心化，无需再减均值；但注意其长度比原序列少2 * period（因两端不可靠被截断） -
robust=True能抑制异常值影响，但会使计算变慢；实际中建议先robust=False快速试跑，再视结果决定
验证主周期是否真实：用 ACF 和相位一致性检查
仅靠一个指标（如 FFT 幅值最大或 STL 季节项能量高）不足以确认周期性——可能是巧合或伪周期。必须交叉验证。
- 画 ACF 图：
plot_acf(x, lags=50)，看滞后k、2k、3k处是否持续显著（超出置信带），而非仅单点尖峰 - 把序列按候选周期
k切成若干段，计算每段的均值曲线，叠加画图；若各段轮廓高度重合，说明相位稳定，是真周期 - 如果 STL 的
seasonal成分标准差远小于原始序列标准差（如 k 处仍显著，则可信度高
周期检测最易被忽略的是采样率与周期长度的匹配关系：若真实周期是 3.2 天，但你每 24 小时采一次，就永远无法准确捕获——这时需插值或换采样策略，而不是硬调算法参数。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
