Python 寻找局部最大值和最小值

我有一个熊猫数据框，有两列，一列是温度，另一列是时间

我想把第三列和第四列分别命名为min和max。这些列中的每一列都用nan填充，除非有一个局部min或max，那么它将具有该极值的值

这是一个数据的样本，本质上我试图识别图中的所有峰值和低点

---

是否有任何带有pandas的内置工具可以实现这一点？

假设感兴趣的列被标记为

data

，一种解决方案是

df['min'] = df.data[(df.data.shift(1) > df.data) & (df.data.shift(-1) > df.data)]
df['max'] = df.data[(df.data.shift(1) < df.data) & (df.data.shift(-1) < df.data)]

df['min']=df.data[（df.data.shift（1）>df.data）和（df.data.shift（-1）>df.data）]
df['max']=df.data[（df.data.shift（1）

例如：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# Generate a noisy AR(1) sample
np.random.seed(0)
rs = np.random.randn(200)
xs = [0]
for r in rs:
    xs.append(xs[-1]*0.9 + r)
df = pd.DataFrame(xs, columns=['data'])

# Find local peaks
df['min'] = df.data[(df.data.shift(1) > df.data) & (df.data.shift(-1) > df.data)]
df['max'] = df.data[(df.data.shift(1) < df.data) & (df.data.shift(-1) < df.data)]

# Plot results
plt.scatter(df.index, df['min'], c='r')
plt.scatter(df.index, df['max'], c='g')
df.data.plot()

将numpy导入为np
将matplotlib.pyplot作为plt导入
作为pd进口熊猫
#生成一个有噪声的AR（1）样本
np.random.seed（0）
rs=np.random.randn（200）
xs=[0]
对于rs中的r：
追加（xs[-1]*0.9+r）
df=pd.DataFrame（xs，columns=['data']））
#寻找局部峰值
df['min']=df.data[（df.data.shift（1）>df.data）和（df.data.shift（-1）>df.data）]
df['max']=df.data[（df.data.shift（1）

很好，但如果你的数据非常嘈杂（如图中所示），你最终会遇到许多误导性的局部极端情况。我建议您使用

scipy.signal.argrelextrema（）

方法。

.argrelextrema（）

方法有其自身的局限性，但它有一个有用的功能，可以指定要比较的点数，有点像噪声过滤算法。例如：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# Generate a noisy AR(1) sample
np.random.seed(0)
rs = np.random.randn(200)
xs = [0]
for r in rs:
    xs.append(xs[-1]*0.9 + r)
df = pd.DataFrame(xs, columns=['data'])

# Find local peaks
df['min'] = df.data[(df.data.shift(1) > df.data) & (df.data.shift(-1) > df.data)]
df['max'] = df.data[(df.data.shift(1) < df.data) & (df.data.shift(-1) < df.data)]

# Plot results
plt.scatter(df.index, df['min'], c='r')
plt.scatter(df.index, df['max'], c='g')
df.data.plot()

将numpy导入为np
将matplotlib.pyplot作为plt导入
作为pd进口熊猫
从scipy.signal导入argrelextrema
#生成一个有噪声的AR（1）样本
np.random.seed（0）
rs=np.random.randn（200）
xs=[0]
对于rs中的r：
追加（xs[-1]*0.9+r）
df=pd.DataFrame（xs，columns=['data']））
n=5#前后要检查的点数
#寻找局部峰值
df['min']=df.iloc[argrelextrema（df.data.values，np.less_equal，
订单=n）[0]['data']
df['max']=df.iloc[argrelextrema（df.data.values，np.morer_equal，
订单=n）[0]['data']
#绘图结果
plt.散射（测向指数，测向['min'，c='r'）
plt.散射（测向指数，测向['max']，c='g'）
plt.绘图（df.index，df['data']））
plt.show（）

有几点：

• 之后可能需要检查这些点，以确保没有非常接近的绳线点
• 您可以使用

  n

  来过滤噪声点

• argrelextrema

  返回一个元组，最后的

  [0]

  提取一个

  numpy

  数组

---

使用Numpy

ser = np.random.randint(-40, 40, 100) # 100 points
peak = np.where(np.diff(ser) < 0)[0]

---

使用熊猫

ser = pd.Series(np.random.randint(2, 5, 100))
peak_df = ser[(ser.shift(1) < ser) & (ser.shift(-1) < ser)]
peak = peak_df.index

ser=pd.Series（np.random.randint（2,5100））
峰值df=ser[（ser.shift（1）

结果是否应具有抗噪性？否则，您可以将序列的值与其位移进行比较。我不担心噪声。在这种情况下，如果它是一个噪声信号，我只需对其进行滤波，然后在滤波结果上查找最大值/最小值。您也可以将一个非常简单的（例如，具有一个或两个协变量的线性）模型拟合到数据中，然后从残差项中保留偏差在

q

%最小或最大类别的项，使用。这是一个很好的解决方案。我写了一篇关于它的小博文：优秀的博文@eddd，这真的帮助我理解它@eddd页面向下@Foad我发现，当重复数据值时，例如，使用值为7的多行，仅使用<或>将丢失作为“最小值”或“最大值”的数据点。将此解决方案修改为“.shift（1）=”实际上允许识别重复值的“min”和“max”值。逻辑是，包含重复值的最后一行将被视为“min”或“max”

ser = pd.Series(np.random.randint(2, 5, 100))
peak_df = ser[(ser.shift(1) < ser) & (ser.shift(-1) < ser)]
peak = peak_df.index