如何平滑Matplotlib绘制的实验数据折线图曲线

针对你遇到的Matplotlib绘制曲线不够平滑的问题，这里有几种实用的平滑处理方案，你可以根据数据特性和需求选择：

方法1：滑动窗口平均（Moving Average） #

这是最简单易上手的平滑方式，通过计算相邻N个数据点的平均值来过滤噪声，适合数据噪声不算特别大的场景。你可以直接用pandas的rolling()方法快速实现：

# 读取数据后，添加滑动窗口平滑步骤
window_size = 5  # 窗口大小可根据噪声程度调整，噪声大就调大（比如10）
df['y1_smoothed'] = df['y1_values'].rolling(window=window_size, center=True).mean()
df['y2_smoothed'] = df['y2_values'].rolling(window=window_size, center=True).mean()

# 替换原绘图代码，绘制平滑后的曲线
plt.plot('x_values', 'y2_smoothed', data=df, color='blue', linewidth=1.5, label="hello (smoothed)")
plt.plot('x_values', 'y1_smoothed', data=df, color='red', linewidth=1.5, label="hi (smoothed)")

center=True参数让窗口居中计算，避免平滑后的曲线出现偏移；如果数据中有缺失值，记得先用df.dropna()或者df.fillna()处理后再做平滑。

方法2：多项式拟合（Polynomial Fitting） #

如果你的数据有明显的整体趋势，多项式拟合能生成贴合趋势的平滑曲线。用numpy的polyfit()和poly1d()就能实现：

# 选择多项式阶数（建议3-5阶，阶数过高会过度拟合噪声）
degree = 3

# 对第一条曲线进行拟合
z1 = np.polyfit(df['x_values'], df['y1_values'], degree)
p1 = np.poly1d(z1)
# 生成更密集的x点，让曲线更顺滑
x_smooth = np.linspace(df['x_values'].min(), df['x_values'].max(), 500)
y1_smoothed = p1(x_smooth)

# 对第二条曲线进行拟合
z2 = np.polyfit(df['x_values'], df['y2_values'], degree)
p2 = np.poly1d(z2)
y2_smoothed = p2(x_smooth)

# 绘制平滑后的曲线
plt.plot(x_smooth, y2_smoothed, color='blue', linewidth=1.5, label="hello (smoothed)")
plt.plot(x_smooth, y1_smoothed, color='red', linewidth=1.5, label="hi (smoothed)")

注意不要选太高的阶数，不然曲线会过度贴合原始数据的噪声，失去平滑的意义。

方法3：样条插值（Spline Interpolation） #

样条插值能生成更自然流畅的平滑曲线，适合非线性趋势的数据，需要用到scipy库（如果没装的话先运行pip install scipy）：

from scipy.interpolate import make_interp_spline

# 生成更密集的x点
x_smooth = np.linspace(df['x_values'].min(), df['x_values'].max(), 500)

# 对第一条曲线做三次样条插值（k=3是最常用的，平衡平滑度和贴合度）
spl1 = make_interp_spline(df['x_values'], df['y1_values'], k=3)
y1_smoothed = spl1(x_smooth)

# 对第二条曲线做三次样条插值
spl2 = make_interp_spline(df['x_values'], df['y2_values'], k=3)
y2_smoothed = spl2(x_smooth)

# 绘制平滑曲线
plt.plot(x_smooth, y2_smoothed, color='blue', linewidth=1.5, label="hello (smoothed)")
plt.plot(x_smooth, y1_smoothed, color='red', linewidth=1.5, label="hi (smoothed)")

如果想要曲线更贴合原始数据，可以降低k值（比如k=2）；反之想要更平滑，可适当调高k值（但不建议超过5）。

小贴士 #

• 平滑处理本质是牺牲部分原始数据细节换取可读性，所以要根据你的需求调整平滑程度，避免过度平滑导致趋势失真。
• 如果你想保留原始曲线作为参考，可以同时绘制原始曲线（用更细的线或者浅色）和平滑曲线。

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