在R中去除图表异常值：如何平滑含噪时间序列曲线？

针对你提到的带噪声的时间序列曲线，可通过以下几种常用方法实现平滑处理，代码基于Python的pandas和相关库实现：

1. 移动平均（Rolling Mean） #

适合简单随机噪声的场景，通过滑动窗口内的均值压制高频波动，窗口大小需根据数据的时间粒度调整：

import pandas as pd

# 确保datetime列为时间类型并设置为索引（保证数据按时间排序）
df['datetime'] = pd.to_datetime(df['datetime'])
df = df.set_index('datetime').sort_index()

# 窗口大小设为7（示例，可根据数据频率调整：如小时数据用24，日数据用7）
# center=True 让窗口中心对应当前时间点，避免滞后
df['smoothed_rolling'] = df['target_column'].rolling(window=7, center=True).mean()

2. 指数加权移动平均（EWMA） #

给近期数据赋予更高权重，能有效保留趋势同时平滑噪声，解决移动平均的滞后问题：

# span参数控制平滑程度：span越小越贴近原始数据，越大平滑效果越强
df['smoothed_ewma'] = df['target_column'].ewm(span=10, adjust=False).mean()

3. Savitzky-Golay 多项式滤波 #

适合需要保留数据趋势转折点的场景，通过多项式拟合窗口内数据，在去噪的同时保留关键特征：

from scipy.signal import savgol_filter

# window_length必须为奇数，polyorder为拟合的多项式阶数（通常选2或3）
df['smoothed_savgol'] = savgol_filter(df['target_column'], window_length=11, polyorder=2)

4. 滑动中值（Rolling Median） #

对异常值（尖锐噪声）的鲁棒性更强，适合数据中存在离群点的情况：

df['smoothed_median'] = df['target_column'].rolling(window=7, center=True).median()

方法选择参考 #

• 平稳无趋势的数据：优先移动平均/滑动中值
• 带趋势的时间序列：选指数加权移动平均
• 需要保留趋势突变点：用Savitzky-Golay滤波
• 所有方法的窗口/参数都需根据数据的实际时间粒度（分钟/小时/日）调试，直到达到类似黑色曲线的平滑效果

内容的提问来源于stack exchange，提问作者SAHAR GOHARSHENASAN