不同采样率双数据集峰对齐绘图及无丢峰采样优化问询

核心思路是以峰的位置为锚点，先定位峰坐标再进行对齐插值，利用峰数量一致的前提实现精准匹配，同时保留原始数据的所有特征。

具体步骤： #

• 提取峰的时间坐标
  用峰值检测工具（比如Python的scipy.signal.find_peaks）分别找出两个数据集的峰位置。如果原始数据没有时间戳，就用采样率换算：时间 = 采样点索引 / 采样率。因为峰数量一致，直接按顺序一一对应两个数据集的峰（第1个峰对应第1个，以此类推）。

• 构建统一的对齐时间轴
  可以选择其中一个数据集的峰时间作为基准，或者取对应峰时间的平均值作为对齐后的峰坐标。然后把两个原始数据集的所有时间点、对齐后的峰点合并，排序后生成覆盖全范围的统一时间轴——这样既保证峰对齐，又不会丢失原始数据的细节。

• 插值重采样到统一轴
  用三次样条插值（比线性插值更贴合原始曲线）将两个数据集映射到统一时间轴上。插值时要基于原始所有采样点，不能只保留峰点，否则会丢失峰之间的波形特征。
  示例代码：

  import numpy as np
  from scipy.interpolate import interp1d
  from scipy.signal import find_peaks
  
  # 假设输入数据：data1/fs1 对应第一个数据集，data2/fs2 对应第二个
  t1 = np.arange(len(data1)) / fs1
  t2 = np.arange(len(data2)) / fs2
  
  # 检测峰的位置并转换为时间戳
  peaks1_idx, _ = find_peaks(data1)
  peaks2_idx, _ = find_peaks(data2)
  peaks1_t = t1[peaks1_idx]
  peaks2_t = t2[peaks2_idx]
  
  # 生成对齐后的峰时间（这里取对应峰的平均时间，也可以直接用其中一方的时间）
  aligned_peaks_t = (peaks1_t + peaks2_t) / 2
  
  # 构建包含所有关键节点的统一时间轴
  combined_t = np.unique(np.concatenate([t1, t2, aligned_peaks_t]))
  combined_t.sort()
  
  # 插值得到对齐后的数据集
  f1 = interp1d(t1, data1, kind='cubic', fill_value="extrapolate")
  f2 = interp1d(t2, data2, kind='cubic', fill_value="extrapolate")
  aligned_data1 = f1(combined_t)
  aligned_data2 = f2(combined_t)
  

• 验证对齐效果
  绘制插值后的两个数据集，检查每个峰的位置是否重合；也可以计算对应峰的时间差，确保误差在可接受范围内。如果峰仍有偏移，直接改用其中一个数据集的峰时间作为基准即可。

内容的提问来源于stack exchange，提问作者thaneshwari