Python中一维光谱数据精准重采样（含加权下采样）方案问询

我有两台不同光谱仪采集的均匀间隔测量数据，需要将它们重采样到标准化的1nm波长刻度：

• 一台需从约3nm分辨率上采样至1nm，这块用插值就能实现，没有问题；
• 另一台需从约0.3nm分辨率下采样至1nm，但这台的数据存在噪声，不想采用仅取近邻点的插值方式，避免丢失中间数据的有效信息。

理想下采样方案 #

理论1nm步长光谱的像素边界 #

实际0.3nm分辨率光谱仪的像素边界 #

（注：原数据中401.2nm的左边界疑似笔误，已修正为401.05nm）

以理论401nm数据点为例，计算逻辑如下：

• 完全落在理论像素区间（400.5-401.5）内的400.9nm、401.2nm数据点，直接取平均；
• 与理论像素部分重叠的400.6nm（重叠区间0.25nm，占自身像素宽度0.3nm的比例为0.25/0.3）、401.5nm（重叠区间0.15nm，占比0.15/0.3）数据点，按重叠比例加权后纳入计算；
  这本质上是带梯形窗的移动窗口滤波。

已排除的不适用函数 #

• scipy.signal.resample：假设数据为周期性，不符合光谱数据的非周期特性；
• scipy.signal.resample_poly：仅支持整数倍重采样，无法匹配目标1nm刻度的非整数倍转换需求；
• scipy.signal.decimate：同样只支持整数倍重采样，精度达不到要求；
• pandas.Series.resample：仅针对时间维度设计，不适用波长轴的重采样；
• scipy.interpolate.interp1d：要求曲线经过所有带噪声的原始数据点，无法利用过采样数据进行降噪。

我知道可以结合scipy.signal.decimate（因子3，精度不足）和插值来实现近似效果，但希望找到能直接处理非整数倍、甚至支持非均匀数据的Python函数，请问是否存在这类工具？

内容的提问来源于stack exchange，提问作者Gerrit