用np.convolve做移动平均需归一化kernel并截取中间部分；推荐镜像填充防边界畸变，小核用cumsum加速；savgol_filter参数需满足polyorder<window_length且window_length为奇数。
用 np.convolve 做简单移动平均平滑，但要注意边界处理
直接调用 np.convolve 是最常用的一维信号平滑方式，但它默认做的是“全卷积”，输出比原信号长，且两端会因补零而失真。如果你只是想对原始长度信号做等长平滑（比如传感器采样序列），必须手动截取中间部分。
常见错误是写成 np.convolve(signal, kernel, mode='same') 却没检查 kernel 是否已归一化——不归一会导致整体幅值放大或缩小。
- 用
mode='valid'得到无补零的严格重叠结果（输出更短） - 用
mode='same'时，确保kernel.sum() == 1.0，否则信号直流分量会漂移 - 推荐初始化 kernel：
kernel = np.ones(5) / 5.0（5点均值）
避免用 scipy.signal.savgol_filter 时出现“阶数高于窗口长度”的 ValueError
savgol_filter 虽然能保留边缘特征，但对参数极其敏感。最常见的报错是 ValueError: order must be less than window_length，本质是多项式拟合阶数不能等于或超过窗口点数。
它不像移动平均那样只依赖邻域均值，而是局部拟合多项式再取中心点值，因此对噪声类型和信号曲率更敏感。
立即学习“Python免费学习笔记（深入）”；
- 窗口长度
window_length必须是正奇数，例如11、21 - 拟合阶数
polyorder通常设为2或3；设为0就退化为均值滤波 - 若信号含突变（如方波边沿），
polyorder过高反而引入过冲
自定义镜像填充 + np.convolve 解决端点畸变
原始信号首尾几个点在卷积时“看到”的数据少，标准补零会让平滑结果在边界塌陷或翘起。NumPy 本身不提供 padding 接口，但可以用切片快速构造镜像延拓：
def mirror_pad(signal, pad_len):
left = signal[pad_len-1::-1]
right = signal[-1:-pad_len-1:-1]
return np.concatenate([left, signal, right])然后对填充后信号卷积，再切回原长：smoothed = np.convolve(mirror_pad(signal, 2), kernel, mode='valid')[2:-2]。这个 [2:-2] 的偏移量要和 pad_len 对齐。
- 镜像填充比零填充/周期填充更适合物理信号（如温度、电压），因边界常接近平稳
- 注意
pad_len至少为(len(kernel)-1)//2，否则仍会截断 - 不建议用
np.pad(signal, pad_len, mode='reflect')，它默认按 axis=0 反射，易出维度错
性能关键：小 kernel 用 np.cumsum 替代 np.convolve
当 kernel 是均匀权重（如移动平均）且长度固定时，np.cumsum 实现的滑动窗口求和比 np.convolve 快 3–5 倍，尤其在信号长于 10⁵ 点时。
原理是利用前缀和差分：cumsum[i + w] - cumsum[i] 即窗口内和。它天然规避了卷积的 FFT 路径开销，也无需额外 padding。
- 示例（5点均值）：
csum = np.cumsum(np.r_[0, signal]); smoothed = (csum[5:] - csum[:-5]) / 5.0 - 输出长度比原信号少 4，如需等长，得自己补首尾（比如复制最近值）
- 仅适用于 constant-weight kernel；带权或非线性平滑不适用
平滑不是黑盒操作——kernel 形状决定你压制什么频率、保留什么特征，而填充方式悄悄改写了你对“信号起点和终点”的假设。动手前先画出原始信号和几个点的平滑结果对比，比调参更快定位问题。
