如何让Savitzky-Golay滤波器实现locked end-points？求替代方案

一、scipy.signal.savgol_filter 能否实现 locked end-points？ #

不能直接实现。savgol_filter 的端点处理依赖窗口截断或数据填充（如 mode='mirror'、mode='constant'）来生成拟合所需的窗口数据，输出的首尾值是窗口多项式拟合的结果，无法强制保留原始首尾值的同时让它们参与滤波计算。

如果想基于 Savitzky-Golay 的拟合效果实现端点锁定，最直接的 workaround 是先正常执行滤波，再将输出的首尾点替换为原始数据的对应值——这种方式下，中间点的滤波计算已经用到了原始首尾数据（当窗口覆盖到端点时），同时最终输出的首尾值保持不变。

二、带锁定端点的替代滤波方案 #

1. 自定义端点锁定的 Savitzky-Golay 滤波 #

简单替换版（快速实现需求）：

import numpy as np
from scipy.signal import savgol_filter

# 生成带噪声的测试数据
np.random.seed(42)
raw_data = np.linspace(0, 10, 50) + np.random.normal(0, 0.5, 50)

# 执行标准 Savitzky-Golay 滤波
window_length = 7
polyorder = 2
filtered = savgol_filter(raw_data, window_length, polyorder, mode='nearest')

# 锁定首尾端点：替换为原始值
filtered[0] = raw_data[0]
filtered[-1] = raw_data[-1]

# 验证结果
print(f"原始首尾值: {raw_data[0]:.4f}, {raw_data[-1]:.4f}")
print(f"滤波后首尾值: {filtered[0]:.4f}, {filtered[-1]:.4f}")

2. 带端点锁定的加权移动平均（WMA） #

自定义权重逻辑，确保首尾点完全保留原值，中间点基于窗口内数据的距离加权计算：

import numpy as np

def locked_endpoint_wma(data, window_size):
    n = len(data)
    filtered = np.copy(data)  # 初始复制原始数据，自动锁定首尾
    half_win = window_size // 2
    
    for i in range(1, n-1):
        # 确定当前窗口的有效范围
        start = max(0, i - half_win)
        end = min(n-1, i + half_win)
        window = data[start:end+1]
        
        # 生成线性递减权重（距离当前点越近权重越高）
        distances = np.abs(np.arange(start, end+1) - i)
        weights = window_size - distances
        weights /= weights.sum()  # 归一化权重
        
        # 计算加权平均
        filtered[i] = np.dot(window, weights)
    
    return filtered

# 测试
raw_data = np.linspace(0, 10, 50) + np.random.normal(0, 0.5, 50)
wma_filtered = locked_endpoint_wma(raw_data, window_size=7)

print(f"原始首尾值: {raw_data[0]:.4f}, {raw_data[-1]:.4f}")
print(f"WMA滤波后首尾值: {wma_filtered[0]:.4f}, {wma_filtered[-1]:.4f}")

3. 带端点约束的样条平滑 #

使用 UnivariateSpline 并通过 bc_type 参数固定首尾点的值，兼顾平滑效果与端点锁定：

import numpy as np
from scipy.interpolate import UnivariateSpline

# 测试数据
x = np.linspace(0, 10, 50)
raw_data = np.linspace(0, 10, 50) + np.random.normal(0, 0.5, 50)

# 设置端点约束：固定首尾值
bc_type = [
    ('fixed', raw_data[0]),  # 左端点强制等于原始值
    ('fixed', raw_data[-1])   # 右端点强制等于原始值
]

# 创建带约束的样条并平滑
spline = UnivariateSpline(x, raw_data, s=5, bc_type=bc_type)  # s为平滑因子，值越大越平滑
filtered_data = spline(x)

# 验证结果
print(f"原始首尾值: {raw_data[0]:.4f}, {raw_data[-1]:.4f}")
print(f"样条滤波后首尾值: {filtered_data[0]:.4f}, {filtered_data[-1]:.4f}")

内容的提问来源于stack exchange，提问作者Fnord