如何对pandas DataFrame每列应用不同时间常数的一阶滤波器

首先一阶低通滤波器（增益为1、时间常数tau）的离散实现核心是递推公式：y[n] = α * x[n] + (1-α) * y[n-1]，其中α = 采样间隔dt / (tau + dt)，dt为数据的采样间隔，等于1/采样频率fs。
对应多列不同参数的实现步骤如下： #

步骤1：准备列与时间常数的映射关系 #

用字典存储每列对应的时间常数，方便后续遍历调用：

tau_map = {
    "Column_A": 5,
    "Column_B": 15,
    "Column_C": 60,
    "Column_D": 200
}

步骤2：确定采样参数 #

根据你的数据实际采样频率计算采样间隔：

fs = 1  # 替换为你的实际采样率，单位Hz
dt = 1 / fs

步骤3：滤波实现 #

提供两种常用实现方式，可按需选择：

方式1：手动实现（无额外依赖） #

适合不想引入scipy依赖的场景，逻辑透明：

import numpy as np
import pandas as pd

def first_order_filter(x, tau, dt):
    alpha = dt / (tau + dt)
    y = np.zeros_like(x, dtype=np.float64)
    y[0] = x[0]  # 初始值取第一个采样点，也可自定义为前N点均值减少起始波动
    for n in range(1, len(x)):
        y[n] = alpha * x[n] + (1 - alpha) * y[n-1]
    return y

# 逐列应用滤波
filtered_df = pd.DataFrame()
for col, tau in tau_map.items():
    filtered_df[col] = first_order_filter(df[col].values, tau, dt)

方式2：基于scipy实现（效率更高） #

调用scipy的lfilter方法，长序列处理速度更快：

from scipy import signal

def scipy_first_order_filter(x, tau, dt):
    alpha = dt / (tau + dt)
    b = [alpha]
    a = [1, -(1 - alpha)]
    return signal.lfilter(b, a, x)

# 逐列应用滤波
filtered_df = pd.DataFrame()
for col, tau in tau_map.items():
    filtered_df[col] = scipy_first_order_filter(df[col].values, tau, dt)

注意事项 #

• 提前对原始数据的缺失值做填充/删除处理，否则滤波会输出异常值
• 若需要消除滤波带来的相位延迟，可以替换为双向滤波signal.filtfilt实现零相位滤波
• 采样间隔dt必须和实际数据匹配，否则时间常数的滤波效果会出现偏差

内容的提问来源于stack exchange，提问作者User365Go