savgol_filter最稳妥用于局部多项式平滑：window_length须为奇数且小于数据长度，polyorder通常取2或3；边界失真时优先用mode='nearest'，实时流数据应改用ewma或convolve。
用 scipy.signal.savgol_filter 做局部多项式平滑最稳妥
短期随机波动通常不具备周期性，也不适合用傅里叶滤波，savgol_filter 是首选：它在滑动窗口内拟合多项式，保留趋势和拐点，比简单移动平均更抗异常值干扰。
关键参数要对齐数据特性：
-
window_length必须是奇数，且不能超过数据长度；太小（如 3）几乎不平滑，太大（如 >101）会抹平真实峰谷 -
polyorder一般取 2 或 3；设为 0 就退化成均值滤波，设为 1 相当于线性局部拟合 - 若数据采样不等距，必须先插值或改用
scipy.interpolate.UnivariateSpline
示例：
from scipy.signal import savgol_filter<br>y_smooth = savgol_filter(y, window_length=21, polyorder=3)
遇到边界失真时优先用 mode='nearest' 而不是默认 'interp'
savgol_filter 默认在边界做插值外推，容易产生虚假震荡，尤其在趋势陡变处。比如传感器启动阶段的阶跃上升，尾部常冒出一个反向尖峰。
改用 mode='nearest' 让边界用最近邻值延拓，更符合物理实际：
y_smooth = savgol_filter(y, window_length=31, polyorder=2, mode='nearest')
其他可选模式：'constant'（填 0）、'wrap'（首尾循环），但多数实测中 'nearest' 失真最小。
实时流式数据别用 savgol_filter，改用 numpy.convolve 手写滑动加权平均
savgol_filter 是离线全量处理，无法增量更新。如果接 MQTT 或串口持续进数据，每来一个新点就重算全部，延迟会随数据增长而上升。
此时更适合用固定权重卷积，例如指数加权（EWMA）或自定义窗：
- EWMA 只需上一时刻输出：
y_smooth[i] = alpha * y[i] + (1 - alpha) * y_smooth[i-1] - 若需对称窗，可用
numpy.convolve(y[-window:], weights, 'valid')，只卷最后window个点 - 注意
convolve默认补零，实时场景建议手动截断或用mode='same'后取末位
平滑后仍残留周期性毛刺？先检查是否欠采样导致混叠
如果原始信号本身含高频成分（如电机开关噪声、电源工频干扰），但采样率不足奈奎斯特频率，平滑滤波反而会让混叠伪影更明显——看起来像“抹不掉的规律性抖动”。
这时不能只调平滑参数，得回溯采集环节：
- 用
numpy.fft.rfft看频谱，确认毛刺是否集中在某倍频（如 50Hz、100Hz） - 若存在，优先在硬件端加 RC 低通，或软件端先用
scipy.signal.butter设计 20–30Hz 巴特沃斯低通预滤波 - 直接对混叠数据用
savgol_filter，窗口再大也消不掉结构化假频
平滑不是万能胶，它不修复信息丢失，只整理已有数据。真正难的是判断波动到底算“噪声”还是“未建模的动态”。
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！
