[开发技巧]·Python极简实现滑动平均滤波（基于Numpy.convolve）
[开发技巧]·Python极简实现滑动平均滤波（基于Numpy.convolve）
[开发技巧]·Python极简实现滑动平均滤波（基于Numpy.convolve）
1.滑动平均概念
滑动平均滤波法（又称递推平均滤波法），时把连续取N个采样值看成一个队列 ，队列的长度固定为N ，每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据.(先进先出原则) 把队列中的N个数据进行算术平均运算,就可获得新的滤波结果。N值的选取：流量，N=12；压力：N=4；液面，N=4~12；温度，N=1~4
优点： 对周期性干扰有良好的抑制作用，平滑度高 适用于高频振荡的系统
缺点： 灵敏度低 对偶然出现的脉冲性干扰的抑制作用较差 不易消除由于脉冲干扰所引起的采样值偏差 不适用于脉冲干扰比较严重的场合 比较浪费RAM
2.解决思路
可以发现滑动平均滤波法计算很类似与一维卷积的工作原理，滑动平均的N就对应一维卷积核大小（长度）。
步长会有些区别，滑动平均滤波法滑动步长为1，而一维卷积步长可以自定义。还有区别就是一维卷积的核参数是需要更新迭代的，而滑动平均滤波法核参数都是一。
我们应该怎么利用这个相似性呢？其实也很简单，只需要把一维卷积核大小（长度）和N相等，步长设置为1，核参数都初始为1就可以了。由于一维卷积具备速度快，然后我们就可以使用一维卷积来实现这个功能了，快速高效。
使用深度学习框架实现这个功能是否有些大材小用了？是有些大材小用了，因为这里使用卷积的核参数不用更新，其实没必要使用复杂的深度学习框架，如果Numpy中可以实现这些功能就更简单方便了。
说干就干，经过查找发现Numpy.convolve可以实现我们想要的功能。
3.Numpy.convolve介绍
numpy.convolve(a, v, mode=‘full’) 参数： a:(N,)输入的一维数组 v:(M,)输入的第二个一维数组 mode:{‘full’, ‘valid’, ‘same’}参数可选 ‘full’ 默认值，返回每一个卷积值，长度是N+M-1,在卷积的边缘处，信号不重叠，存在边际效应。 ‘same’ 返回的数组长度为max(M, N),边际效应依旧存在。 ‘valid’ 返回的数组长度为max(M,N)-min(M,N)+1,此时返回的是完全重叠的点。边缘的点无效。
和一维卷积参数类似，a就是被卷积数据，v是卷积核大小。
4.算法实现
def np_move_avg(a,n,mode="same"):
return(np.convolve(a, np.ones((n,))/n, mode=mode))原理说明
运行平均值是卷积数学运算的一个例子。对于运行平均值，沿着输入滑动窗口并计算窗口内容的平均值。对于离散的1D信号，卷积是相同的，除了代替计算任意线性组合的平均值，即将每个元素乘以相应的系数并将结果相加。那些系数，一个用于窗口中的每个位置，有时称为卷积核。现在，N值的算术平均值是(x_1 + x_2 + ... + x_N) / N，所以相应的内核是(1/N, 1/N, ..., 1/N)，这正是我们通过使用得到的np.ones((N,))/N。
边缘处理
该mode的参数np.convolve指定如何处理边缘。在这里选择了same模式，这样可以保证输出长度一种，但你可能还有其他优先事项。这是一个说明模式之间差异的图：
import numpy as np
import matplotlib.pyplot as plt
def np_move_avg(a,n,mode="same"):
return(np.convolve(a, np.ones((n,))/n, mode=mode))
modes = ['full', 'same', 'valid']
for m in modes:
plt.plot(np_move_avg(np.ones((200,)), 50, mode=m));
plt.axis([-10, 251, -.1, 1.1]);
plt.legend(modes, loc='lower center');
plt.show()
5.参考
1.https://stackoverflow.com/questions/13728392/moving-average-or-running-mean