线性信号斜率变化点检测：np.diff()无法识别后续变化点的技术问询

直接用np.diff()对原始信号求差只能捕捉到第一个斜率变化，核心原因是你只检测了原始数据的一阶差分（相邻点的数值变化），而斜率变化本质是一阶差分的突变——需要对斜率本身再做差分（二阶差分），结合阈值筛选才能定位所有变化点。以下是具体实现方案：

步骤1：读取数据并计算斜率 #

假设你的CSV文件包含x（自变量）和y（因变量）两列，先读取数据并计算每一段的斜率：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 读取数据（以sample_1.csv为例）
df = pd.read_csv("sample_1.csv")
x = df["x"].values
y = df["y"].values

# 计算斜率（若x是等间隔采样，可简化为slopes = np.diff(y)）
slopes = np.diff(y) / np.diff(x)

步骤2：检测斜率的突变点 #

斜率的突变对应斜率序列的差分绝对值超过阈值，这里可以用百分位数自动确定阈值（避免手动调参的误差）：

# 计算斜率的变化幅度（相邻斜率的差的绝对值）
slope_deltas = np.abs(np.diff(slopes))

# 用95分位数作为阈值（可根据数据噪声调整百分位）
threshold = np.percentile(slope_deltas, 95)

# 定位变化点的索引（+1是因为diff后索引偏移了一位，对应原始x的位置）
change_indices = np.where(slope_deltas > threshold)[0] + 1

步骤3：可视化验证 #

把检测到的变化点画出来确认：

plt.figure(figsize=(10, 6))
plt.plot(x, y, label="原始信号")
for idx in change_indices:
    plt.axvline(x=x[idx], color="r", linestyle="--", label=f"变化点{x[idx]:.2f}")
plt.legend()
plt.show()

处理带噪声的情况 #

如果信号有噪声，先对原始y做平滑处理再计算斜率，避免误检测：

# 滑动平均平滑（窗口大小可调整）
window_size = 5
smoothed_y = np.convolve(y, np.ones(window_size)/window_size, mode="same")

# 用平滑后的数据重新计算斜率和变化点
smoothed_slopes = np.diff(smoothed_y) / np.diff(x)
smoothed_deltas = np.abs(np.diff(smoothed_slopes))
threshold = np.percentile(smoothed_deltas, 95)
change_indices = np.where(smoothed_deltas > threshold)[0] + 1

这个方案能有效捕捉所有斜率突变点，不管是3段还是4段线性信号都适用。

内容的提问来源于stack exchange，提问作者Alex