用 np.diff() 找局部极值易漏边界点，因其输出长度减1、仅反映相邻变化，无法判断首尾极值；需单独检查 arr[0] 和 arr[-1]，且 diff 索引对应变化位置而非极值位置。
用 np.diff() 找局部极值为什么容易漏掉边界点
因为 np.diff() 输出长度比原数组少 1，它只能反映相邻点之间的变化趋势，无法直接判断首尾是否为极值。比如数组 [1, 3, 2]，np.diff() 得到 [2, -1]，能看出“升→降”，从而推断中间的 3 是峰值；但第一个 1 和最后一个 2 永远没有前后两个邻居可比，所以天然被排除。
实操建议：
- 如果业务逻辑明确需要包含端点（如信号起始/终止处可能是关键事件），必须单独检查首尾：比如
arr[0] > arr[1]或arr[-1] > arr[-2] - 不要只依赖
np.diff()的符号变化来定位索引——它返回的是差分数组的索引，对应原数组中“变化发生的位置”，不是极值位置本身。峰值实际在i处，当diff[i-1] > 0 and diff[i] （需确保 <code>i在1..len(arr)-2范围内） - 对含重复值的数组（如
[1, 2, 2, 1]），np.diff()会出现0，导致正负号不严格交替，需用np.sign()配合np.where()过滤零值再比较
正负号交替检测峰值时，np.sign() 和 np.diff() 怎么配合才不出错
直接对 np.diff() 结果做 np.sign() 是必要步骤，否则浮点误差或微小变化会让符号判断失准。但要注意：np.sign(0) 返回 0，而我们要的是“由正变负”或“由负变正”，中间夹个 0 就会断链。
实操建议：
- 先算一阶差分：
d = np.diff(arr) - 再取符号并剔除零：
s = np.sign(d); s = s[s != 0]（注意这步会丢索引对齐，慎用于精确定位） - 更稳妥的做法是保留原始差分，用布尔索引找“前正后负”：
peaks = np.where((d[:-1] > 0) & (d[1:] —— 这里 <code>+1是关键，因为d[i]表示arr[i+1] - arr[i]，所以极值点在i+1 - 避免用
np.convolve(s, [1, 1]) == 0类方法，它对连续平台（多个相等值）敏感，且无法区分峰和谷
用 scipy.signal.find_peaks() 替代手写逻辑是否更可靠
是的，尤其当你需要控制最小峰高、最小距离、宽度、 prominence 等实际指标时，手写 np.diff() + 符号判断很快就不够用。但别以为调个函数就万事大吉——它的默认行为在某些场景下反而更“激进”。
实操建议：
-
find_peaks()默认只找“上升沿后下降沿”的点，对平坦顶部（如[1, 3, 3, 3, 2]）默认只返回一个索引（最左或按参数选），而手写逻辑可能完全错过 - 务必设置
distance参数防簇生误检，比如采样率高、噪声多时，不设该参数可能把毛刺当峰 -
prominence比height更鲁棒：前者衡量峰从周围基线“凸起”的程度，后者只是绝对值高度，易受整体偏移影响 - 如果输入含
nan或inf，find_peaks()会静默跳过或报错，得提前用np.isfinite()清洗
一维数组找波谷和找峰值，代码只差一个负号吗
表面上看，对数组取负再找峰值就能得波谷索引，但实际有陷阱：当原数组存在平台段（连续相等值），取负后平台仍在，而 find_peaks(-arr) 或差分符号法仍可能无法稳定定位“谷底中心”。更严重的是，如果用 np.diff() 手写，波谷对应“前负后正”，和峰值的“前正后负”逻辑对称，但索引偏移方向一致，不需要额外调整。
实操建议：
- 统一用差分判断更可控：
troughs = np.where((d[:-1] 0))[0] + 1，和峰值公式仅符号相反 - 不要简单
find_peaks(-arr)后再映射回原坐标——除非你确认原数组无nan、无平台、且 scale 足够线性；否则 prominence 计算会因取负失真 - 若需同时返回峰和谷，建议一次算完
d，再分别提取两组条件，避免重复计算和数值误差累积
真正难的不是写出能跑通的几行代码，而是想清楚：你要的“局部极值”到底定义在什么尺度上？是像素级抖动也算，还是必须跨过某个信噪比阈值？差分本身不带语义，它只忠实地放大变化——喂给它什么数据，它就还你什么结果。
