如何在Python中平滑统计正确的信号？

我无意中发现了平滑数据的问题，但没有假装测量数据的准确性过高

当我搜索简单的解决方案时，我发现了很多过滤方法，它们保持数据的形状不变（即数据点的数量没有减少）；在我看来，这意味着要么数据正在进行某种拟合（）（这意味着它不是真正的原始数据），要么只是统计上不正确（如原点中的“相邻平均值”），即在每个数据点的数据点窗口上进行平均，因为它是在假装，准确度比实际要高。我经历过这样的情况，这种平滑使信号伪影显得很重要，而事实并非如此

我创建了一个示例，在这个示例中，由于在不减少数据点数量的情况下进行平均，实际特征出现错误。特别是右边的主峰看起来非常宽，如果你知道真实的数据，但是大量的数据点使它看起来非常整洁和平滑。此外，噪声级几乎完全平滑，但现在一些较小的特征似乎在中心上升并显示为重要数据，但正如您在原始数据中看到的，它们不是

---

我现在正在寻找简单/有效的方法，以减少不在数据上强加假设（如选择的拟合函数等）的统计正确的噪声，并了解不同实现的优缺点。

一种方法，起源于图像处理，是撇渣包中的缩尺\本地\平均值

import matplotlib.pyplot as plt    
from skimage.transform import downscale_local_mean
data=np.genfromtxt(r'example_smoothing_data.txt',delimiter=";")

smoothed=downscale_local_mean(data, (8, 1))

plt.figure()
plt.plot(data[:,0],data[:,1],'b-',label='Original data')
plt.plot(smoothed[:,0],smoothed[:,1],'r-',label='Smoothed data')
plt.legend()
plt.show()

---

从图中可以清楚地看到，数据点的数量减少了，这基本上只是测量过程中的另一个积分窗口；x方向精度的降低基本上是为y方向精度的提高付出的。

作为旁注：平滑不可避免地会丢失重要信息；直方图/百分位线之类的东西保存得更多。小波去噪，也许@9000：谢谢你的快速回复。你能更具体一点直方图吗？我过去常常想到与单个事件相关的直方图，这些直方图是随机发生的（可能具有类似峰值的概率分布，但对于单个事件是随机的）。这个数据集是一个光谱：当然，每个数据点都是由单个事件堆积而成的，但在x轴的维度（类似波长）中，我不明白为什么直方图会是逻辑表示（尽管我可以选择它作为不同的“绘图样式”）。@Lepakk：这正是通常解决的问题，例如，在各种监测系统中。我不知道如何直接绘制分位数（例如Seaborn不支持这一点），但可以单独绘制。