Scipy find_peaks函数无法精准识别峰底，求解决方案

一、调整find_peaks参数实现峰底识别 #

find_peaks本身是为识别峰值设计的，但可以通过反转数据的方式把峰底转换成“峰值”来处理，再结合参数过滤噪声，提升识别精度：

• 核心思路：将原始数据取负数，此时原数据的峰底变为新数据的峰值，再用find_peaks识别
• 关键参数调整：
  • prominence：控制峰底的“深度”，值越大，只会识别到落差明显的峰底
  • width：限制峰底的宽度，避免把窄噪声点误判为峰底
  • height：设置反转后峰值的最小高度，对应原数据峰底的最低值

示例代码：

import numpy as np
from scipy.signal import find_peaks

# 模拟原始数据
y = np.array([2, 5, 2, 6, 1, 4, 1, 3])
# 反转数据，将峰底转为峰值
inverted_y = -y
# 识别反转后的峰值（对应原数据峰底）
bottom_indices, props = find_peaks(inverted_y, prominence=1.5, width=1)

print("峰底位置索引：", bottom_indices)
print("峰底对应数值：", y[bottom_indices])

二、更适合识别峰底的替代函数 #

1. scipy.signal.argrelmin

专门用于寻找**局部最小值（峰底）**的函数，通过order参数控制邻域范围，确保当前点是指定窗口内的最小值：

from scipy.signal import argrelmin

# order=2：当前点需比前后2个点都小才被判定为峰底
bottom_indices = argrelmin(y, order=2)[0]
print("峰底位置索引：", bottom_indices)

2. 自定义峰底识别逻辑

如果需要更灵活的规则（比如非对称窗口、自定义落差阈值），可以自己实现遍历逻辑：

def find_custom_bottoms(y, window_size=1, min_drop=0.5):
    bottoms = []
    for i in range(window_size, len(y)-window_size):
        # 检查当前点是否为窗口内最小值
        is_min = all(y[i] < y[i-j] for j in range(1, window_size+1)) and all(y[i] < y[i+j] for j in range(1, window_size+1))
        # 检查与左右点的落差是否达标
        if is_min and (y[i-1] - y[i] >= min_drop) and (y[i+1] - y[i] >= min_drop):
            bottoms.append(i)
    return np.array(bottoms)

# 检查前后1个点，且落差不小于0.5
custom_bottoms = find_custom_bottoms(y, window_size=1, min_drop=0.5)
print("自定义峰底位置索引：", custom_bottoms)

内容的提问来源于stack exchange，提问作者Ruijia Li