求可提取直方图多峰值及对应峰宽的适配函数

核心实现流程 #

1. 直方图数据预处理 #

• 首先对原始直方图的计数值做平滑处理，避免高频噪声产生伪峰，推荐使用scipy.signal.savgol_filter（萨维茨基-戈莱滤波），相比普通滑动平均可以更好保留峰的形态与边界，窗口大小建议设置为奇数，取值为你预期最小峰覆盖bin数的1/3左右，多项式阶数默认取2~3即可。
• 如果直方图存在连续的基线抬高，可以用非对称最小二乘法（ALS）拟合基线后扣除，避免基线偏移导致峰高、峰宽计算出现系统性偏差。

2. 多峰自动检测 #

直接调用scipy.signal.find_peaks函数即可完成多峰的自动识别，无需手动框选单峰范围，可配置核心参数：

• height：峰值的最小高度阈值，过滤低于阈值的噪声峰
• distance：两个峰之间的最小bin间距，避免同一个峰被识别为多个
• prominence：峰的突出度，即峰顶到两侧谷底的最小高度差，过滤和基线几乎齐平的假峰
  函数会直接返回所有有效峰的索引，你可以直接通过索引拿到对应bin的横坐标（物理值）和峰值计数值，也就是你需要的峰值最大值。

3. 峰宽自动计算 #

find_peaks支持直接输出峰的半高全宽（FWHM）参数，调用时添加widths参数即可，返回结果包含：

• 每个峰的半高全宽数值（单位为bin，你可以乘以bin的步长转换为实际物理单位）
• 每个峰半高处的左右边界位置，可用于后续的单峰拟合优化
  如果需要更高精度的峰宽结果，可以针对每个识别到的峰，截取其左右半宽边界范围内的bin数据，调用你现有的高斯拟合函数批量处理即可，无需手动选范围。

最小可运行示例代码 #

import numpy as np
from scipy.signal import find_peaks, savgol_filter

# 模拟直方图数据：bin_edges是每个bin的边界，counts是每个bin的计数值
# 实际使用时替换为你自己的直方图数据
counts, bin_edges = np.histogram(np.random.normal(0, 1, 10000).tolist() + np.random.normal(3, 0.8, 7000).tolist(), bins=100)
bin_centers = (bin_edges[:-1] + bin_edges[1:]) / 2

# 1. 平滑处理
smooth_counts = savgol_filter(counts, window_length=5, polyorder=2)

# 2. 峰检测+峰宽计算
peaks, properties = find_peaks(smooth_counts, height=100, distance=5, prominence=50, width=1)

# 输出结果
peak_values = smooth_counts[peaks] # 峰值最大值
peak_positions = bin_centers[peaks] # 峰值位置
peak_fwhm = properties['widths'] * (bin_edges[1] - bin_edges[0]) # 转换为实际物理单位的半高全宽

内容的提问来源于stack exchange，提问作者nichtnachmachen2