基于numpy一维数组的曲线边缘突变点索引定位方案求助

核心优化思路：原有方法误差来源于梯度阈值硬编码，改用自适应阈值+峰值检测/专用变化点检测算法即可实现通用无硬编码的检测效果，以下是三类可直接落地的方案，均适配所有0~1值域的同类型数组：

方案1：自适应梯度峰值检测法（仅依赖scipy、scikit-image，无额外重依赖） #

• 自适应计算高斯平滑sigma：按输入数组长度的1%~2%自动取值，避免平滑参数硬编码
• 计算平滑后序列的梯度绝对值，得到梯度幅值序列
• 用Otsu自适应阈值法对梯度幅值做分割，自动得到突变判定阈值，无需手动设置
• 对高于阈值的梯度区域做局部峰值检测，设置最小峰间距避免重复检出同个突变点

import numpy as np
from scipy.ndimage import gaussian_filter1d
from scipy.signal import find_peaks
from skimage.filters import threshold_otsu

def detect_mutation_points(arr, sigma_ratio=0.01):
    # 自适应计算高斯平滑参数
    sigma = max(1, int(len(arr) * sigma_ratio))
    smoothed = gaussian_filter1d(arr, sigma=sigma)
    # 计算梯度幅值
    grad_abs = np.abs(np.gradient(smoothed))
    # 自适应获取突变判定阈值
    thresh = threshold_otsu(grad_abs)
    # 检测梯度峰值即突变点
    peaks, _ = find_peaks(grad_abs, height=thresh, distance=sigma*2)
    return peaks

方案2：专用变化点检测算法（鲁棒性最高，适配强噪声场景） #

直接调用专门面向时间序列/一维序列变化点检测的ruptures库，算法本身会自动统计序列的分布变化，无需手动处理梯度和平滑参数，抗噪性远高于手动计算梯度的方案。

import numpy as np
import ruptures as rpt

def detect_mutation_points_ruptures(arr):
    signal = arr.reshape(-1, 1)
    # 初始化Pelt变化点检测算法，采用L2损失适配数值突变场景
    algo = rpt.Pelt(model="l2").fit(signal)
    # 惩罚参数按输入数组的方差自适应计算，无需硬编码
    penalty = 2 * np.var(arr)
    # 过滤掉末尾默认返回的数组长度值
    change_points = algo.predict(pen=penalty)[:-1]
    return np.array(change_points)

依赖安装方法：执行pip install ruptures即可。

方案3：无额外依赖滑动窗口检测法（完全基于numpy实现） #

如果不想引入任何第三方依赖可以用该方案，通过相邻窗口的统计差异判定突变点。

• 按数组长度的2%~5%自动计算滑动窗口大小
• 遍历序列时对比前后两个相邻窗口的均值差异
• 差异超过3倍全局标准差时判定为突变点，自动去重

import numpy as np

def detect_mutation_points_window(arr, window_ratio=0.03):
    n = len(arr)
    window_size = max(3, int(n * window_ratio))
    global_std = np.std(arr)
    mutation_points = []
    for i in range(window_size, n - window_size):
        left_mean = np.mean(arr[i-window_size:i])
        right_mean = np.mean(arr[i:i+window_size])
        diff = np.abs(left_mean - right_mean)
        if diff > 3 * global_std:
            if not mutation_points or i - mutation_points[-1] > window_size:
                mutation_points.append(i)
    return np.array(mutation_points)

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