python 数据处理之滤波_python 滤波

在实际水质预测数据处理的工程中，往往遇到高波动的数据，而这些数据对于往后预测并没有什么用。比如说，上游河道因为有污水处理厂周期性排放污水，导致某种因子周期升高，但到了下游，河水充分混合，水质变得相对平滑。

示例如下：

 如果直接用上游波动数据预测的话，那么预测就会出现很多不必要的波动，导致预测结果不理想，如图：

 那么我们可以通过滤波的方式将不必要的波动去掉，并保留数据趋势。代码如下：
 

import pandas as pd
from scipy.signal import savgol_filter
# 指定滤波器窗口大小
 
window_size = 21
 
# 应用移动平均滤波器
smoothed = preb_cb.rolling(window=window_size).mean()

该方法时通过移动平均滤波器实现的。经过滤波后结果如下：

 使用移动平均滤波应注意窗口的选择，可以通过循环选优，选择残差最小的窗口大小代码如下：

def seek_windows(df):
    """
    df: DataFrame时间序列数据，共两列，第一列为直接预测后形成的波动数据，第二列为真实数据;
    查找最佳的平移窗口；
    """
    df_empty = pd.DataFrame(columns=["mean", "window"])
    df0 = df.iloc[:, 0]
    df1 = df.iloc[:, 1]
    
    for window in range(1, 24, 1): 
        df2 = df0.rolling(window=window).mean()
        df0_shifted = df2.shift(-window)
        df0_shifted = df0_shifted.dropna()
        df1_trimmed = df1[:-window]
        mean_error = mean_absolute_error(df0_shifted, df1_trimmed)
        
        df_empty2 = pd.DataFrame({"window": [window], "mean": [mean_error]})
        df_empty = pd.concat([df_empty, df_empty2], axis=0)
    
    df_sorted = df_empty.sort_values(by=["mean"])
    best_window =df_sorted["window"][0:1][0]
    return best_window

 滤波的方法有很多，常用的滤波器包括移动平均滤波器、指数平滑滤波器、巴特沃斯滤波器、Butterworth滤波器等。移动平均滤波器和指数平滑滤波器适用于平稳或趋势型信号，而巴特沃斯和Butterworth滤波器则更适合于非线性或周期性信号。

我们选择适合自己数据的就行了。

----

希望对你有帮助。