非均匀X网格下scipy.signal.find_peaks峰值检测问题及方案问询

我用scipy.signal.find_peaks检测峰值的坐标和特征（峰宽、突出度等），数据满足：

Yi = f(Xi)

其中i是数据点编号，Xi是X坐标，Yi是对应信号值。

处理均匀X网格（相邻点间距恒定）时，这个函数表现很好，能把实际X轴宽度转换成样本数来计算；但处理非均匀X网格（相邻点间距不等，即x(i)-x(i-1)≠x(i+1)-x(i)）时，检测结果不理想。

我试过用width参数（要求以样本数指定峰的最小/最大宽度）：

all_peaks_indexes = signal.find_peaks(signal_y, prominence=search_peak_prominence, width=1, height=1)

但width的单位是样本数，对非均匀X网格不适用。根据参数说明：

WIDTH - Required width of peaks in samples.
Either a number, None, an array matching x, or a 2-element sequence of the former.
The first element is always interpreted as the minimal and the second, if supplied, as
the maximal required width.

核心问题是find_peaks只使用索引（样本编号），不考虑实际X坐标，没法直接用实际宽度来筛选。

请问有没有支持基于实际信号维度（比如时间）设置峰宽的非均匀X网格峰值检测工具？或者有什么解决办法？

1. 用scipy.signal.peak_widths配合实际X坐标后过滤 #

先调用find_peaks找到候选峰值，再用peak_widths传入实际X数组计算真实宽度，最后过滤不符合要求的峰值。示例代码：

import scipy.signal as signal

# 先获取候选峰值
peaks, props = signal.find_peaks(signal_y, prominence=search_peak_prominence, height=1)

# 传入实际X坐标，计算半高宽（可通过rel_height调整高度阈值）
widths, _, _, _ = signal.peak_widths(signal_y, peaks, rel_height=0.5, x=signal_x)

# 按实际宽度范围筛选峰值
min_width = 2.0  # 实际X维度的最小宽度
max_width = 10.0 # 实际X维度的最大宽度
valid_peaks = peaks[(widths >= min_width) & (widths <= max_width)]
valid_props = {k: v[(widths >= min_width) & (widths <= max_width)] for k, v in props.items()}

这种方法利用scipy原生工具，既保留find_peaks的检测能力，又能基于实际X维度筛选宽度。

2. 自定义峰值宽度判断逻辑 #

如果需要更灵活的宽度计算规则（比如用特定高度阈值），可以手动遍历候选峰值计算实际宽度：

peaks, props = signal.find_peaks(signal_y, prominence=search_peak_prominence, height=1)
valid_peaks = []

min_width = 2.0
max_width = 10.0
half_height_ratio = 0.5  # 用峰值的半高计算宽度

for peak_idx in peaks:
    peak_height = signal_y[peak_idx]
    threshold = peak_height * half_height_ratio
    
    # 找左侧第一个低于阈值的点
    left_idx = peak_idx
    while left_idx > 0 and signal_y[left_idx] >= threshold:
        left_idx -= 1
    # 找右侧第一个低于阈值的点
    right_idx = peak_idx
    while right_idx < len(signal_y)-1 and signal_y[right_idx] >= threshold:
        right_idx += 1
    
    # 计算实际X宽度并判断
    actual_width = signal_x[right_idx] - signal_x[left_idx]
    if min_width <= actual_width <= max_width:
        valid_peaks.append(peak_idx)

这种方法完全自定义规则，适合特殊场景，但效率略低于原生工具。

3. 重采样为均匀X网格 #

如果数据允许损失部分细节，可以把非均匀数据插值成均匀网格，再用find_peaks的width参数：

import numpy as np

# 生成均匀X网格，num控制分辨率
uniform_x = np.linspace(signal_x.min(), signal_x.max(), num=1000)
# 插值得到对应Y值
uniform_y = np.interp(uniform_x, signal_x, signal_y)

# 转换实际宽度为样本数
grid_spacing = uniform_x[1] - uniform_x[0]
width_samples = int(min_width / grid_spacing)

# 用find_peaks检测
peaks_uniform, props_uniform = signal.find_peaks(uniform_y, prominence=search_peak_prominence, width=width_samples, height=1)
# 转换回原X坐标
actual_peaks_x = uniform_x[peaks_uniform]

注意：重采样可能丢失峰值附近的精细结构，需要根据数据情况调整分辨率。

4. 其他替代方案 #

• 用pandas结合滚动窗口实现自定义峰值检测，但需要自己编写峰值判断和宽度计算逻辑。
• 完全自定义峰值检测函数：遍历数据点判断峰值，同时基于实际X坐标计算宽度，适合高度定制化的场景。

内容的提问来源于stack exchange，提问作者twistfire