消除异常值/最适合 Python 中的 "spiky" 数据
Eliminating outliers / best fit for "spiky" data in Python
像这样处理数据还很陌生；我有两条曲线，我不确定如何处理，但我知道我想要的结果是什么。两个数据集的原始图如下（左）所示；我想我想要的粗略合身如下图（右）所示，叠加合身为红色。
第一个例子：
幅度的突然下降是数据获取方式的人为因素。这意味着它本质上是不可预测的，理想情况下我希望找到一种对这种行为具有鲁棒性的方法。
在第一种情况下，我可以尝试使用阈值来消除幅度的急剧下降，但在第二种情况下这对我没有帮助：
,
我仍然有强烈的振荡，但最小值不再为 0。
编辑：使用@JamesPhillips的建议编写了一个简短的脚本后，拟合结果如下所示；可以确认这就是我要找的东西，并且比其他拟合算法更有效 better/faster。
和
一个可能的算法：像这样过滤数据...
从图表上显示的最小 X 值点开始，从最小 X 值迭代到最大 X 值。对于每个点：
1）如果下一个点的Y值大于或等于这个点的Y值，则包含它。
2) 如果下一个点的值小于该点 Y 值的 [cutoff]%，则将其排除。
3) 转到下一点。
运行过滤并测试[cutoff]的不同值，每次绘制结果图，看看[cutoff]的值是否符合您的要求。您可能需要一两个额外的过滤条件，但这应该是按照您的描述过滤数据的良好开端。
像这样处理数据还很陌生；我有两条曲线，我不确定如何处理，但我知道我想要的结果是什么。两个数据集的原始图如下（左）所示；我想我想要的粗略合身如下图（右）所示，叠加合身为红色。
第一个例子：
在第一种情况下，我可以尝试使用阈值来消除幅度的急剧下降，但在第二种情况下这对我没有帮助：
编辑：使用@JamesPhillips的建议编写了一个简短的脚本后，拟合结果如下所示；可以确认这就是我要找的东西，并且比其他拟合算法更有效 better/faster。
和
一个可能的算法：像这样过滤数据...
从图表上显示的最小 X 值点开始，从最小 X 值迭代到最大 X 值。对于每个点：
1）如果下一个点的Y值大于或等于这个点的Y值，则包含它。
2) 如果下一个点的值小于该点 Y 值的 [cutoff]%，则将其排除。
3) 转到下一点。
运行过滤并测试[cutoff]的不同值，每次绘制结果图，看看[cutoff]的值是否符合您的要求。您可能需要一两个额外的过滤条件，但这应该是按照您的描述过滤数据的良好开端。