如何使用scipy去除数值解中的尖峰并实现平滑插值？

尖峰去除环节优化 #

• 放弃全量中值滤波逻辑，改为仅标记并替换异常尖峰点位：基于解的物理属性设置相邻点最大允许变化梯度，或对相邻点差值序列做Z值检测（scipy.stats.zscore），仅把梯度超过阈值、Z值大于3的点位标记为待修复尖峰，其余原始采样点全部保留，避免正常信号被滤波修改引入额外误差。
• 中值滤波仅用于尖峰点位判定，不直接修改原始信号，可大幅降低滤波环节对有效数据的影响。

尖峰点位插值优化 #

• 优先选用局部线性插值：取尖峰点位前后各2~4个未被标记的正常点做线性插值填充，不会引入高阶插值的龙格效应、波动误差，计算速度远高于各类高阶插值方案，匹配你的性能要求。
• 若解有单调性/平滑性约束，可改用局部Pchip插值：仅传入尖峰周边的正常点调用scipy.interpolate.PchipInterpolator做局部插值，不要做全量序列插值，避免局部误差扩散到全序列。
• 插值完成后可加窗口大小为3的一阶滑动平均做极小幅度平滑，进一步消除潜在的阶跃感，不会引入可观测的波动误差。

源端误差降低方案 #

• 升级调用scipy.integrate.simpson（scipy 1.6+版本已废弃simps别名，新版本对数值稳定性做了优化），显式指定even='avg'参数，减少奇偶采样点切换带来的系统误差，从源头上降低尖峰出现概率。
• 迭代求解过程中每3~5步做一次残差校验，用方程本身的残差阈值过滤异常波动点，避免误差随迭代累积放大。

内容的提问来源于stack exchange，提问作者coding pal