通过函数拟合实现数据集末端尖峰平坦化的技术问题

问题分析 #

你之前的两种方法存在核心问题：

• 第一种仅处理了单侧区域，未覆盖所有需要平坦化的目标区域；
• 第二种手动拟合时只调整了斜率项，完全忽略线性拟合的截距，导致数据整体偏移上移。

改进后的实现 #

正确思路是对每个目标区域（左侧末端、中间翼部、右侧末端）分别拟合完整的线性基线（包含斜率和截距），再用原数据减去对应基线，实现平坦化的同时保证数据不偏移。

import numpy as np

# 处理左侧末端尖峰（取前20个点拟合基线）
left_range = slice(0, 20)
left_x = xave[left_range]
left_y = sum[left_range]
left_fit = np.polyfit(left_x, left_y, 1)
left_baseline = np.poly1d(left_fit)
sum[left_range] = sum[left_range] - left_baseline(left_x)

# 处理中间翼部区域（取主波瓣中间附近40个点拟合基线）
mid_start = int(len(xave)/2) - 20
mid_end = int(len(xave)/2) + 20
mid_range = slice(mid_start, mid_end)
mid_x = xave[mid_range]
mid_y = sum[mid_range]
mid_fit = np.polyfit(mid_x, mid_y, 1)
mid_baseline = np.poly1d(mid_fit)
sum[mid_range] = sum[mid_range] - mid_baseline(mid_x)

# 处理右侧末端尖峰（取最后20个点拟合基线）
right_range = slice(-20, None)
right_x = xave[right_range]
right_y = sum[right_range]
right_fit = np.polyfit(right_x, right_y, 1)
right_baseline = np.poly1d(right_fit)
sum[right_range] = sum[right_range] - right_baseline(right_x)

关键说明 #

• 每个区域单独拟合完整线性基线y = kx + b，减去基线后仅消除该区域的倾斜趋势，不会改变数据的整体基准；
• 若目标区域的范围需要调整，只需修改slice中的索引参数即可；
• 如果小尖峰的波动更明显，可尝试将线性拟合改为低阶多项式（比如2次），但线性拟合更能保证翼部贴合主波瓣末端的趋势。

内容的提问来源于stack exchange，提问作者Timotheum