Scipy argrelextrema检测局部极值异常问题求助

你的核心流程用余弦函数验证完全没问题，碰到带np.inf的自定义数据就翻车，大概率是**np.inf彻底干扰了极值判断的逻辑**，咱们一步步拆解问题和解决方案：

核心问题分析 #

argrelextrema的底层逻辑是基于邻域内的元素比较，但np.inf的比较特性会直接打乱这个规则：

• 任何数值和np.inf做greater_equal比较时，np.greater_equal(np.inf, x)永远返回True
• 同理np.less_equal(-np.inf, x)也永远返回True

当自定义数据里存在np.inf时，计算梯度会引入inf或nan值（比如inf - 正常数 = inf，正常数 - inf = -inf），这些异常值会让argrelextrema误判：平坦区域如果附近沾了inf，就会被当成极值点，而真正的梯度峰值反而因为邻域内的异常值被忽略。

分步解决方案 #

1. 先清理数据中的np.inf值 #

这是最关键的一步，先把异常值处理掉，才能进行后续的梯度计算和极值检测：

import numpy as np
from scipy.signal import argrelextrema

# 假设你的自定义数据是y_custom，先替换inf为合理值
# 方法1：用NaN替换inf后，用线性插值填充（适合连续信号）
y_custom = np.where(np.isinf(y_custom), np.nan, y_custom)
valid_indices = np.arange(len(y_custom))[~np.isnan(y_custom)]
y_custom = np.interp(np.arange(len(y_custom)), valid_indices, y_custom[valid_indices])

# 方法2：用全局统计值替换inf（适合离散或无规律信号）
y_custom = np.nan_to_num(
    y_custom,
    nan=np.nanmean(y_custom),
    posinf=np.nanmax(y_custom),
    neginf=np.nanmin(y_custom)
)

2. 优化梯度计算（替代循环，更高效且避免异常值扩散） #

你之前的循环写法没问题，但用numpy的diff更简洁，还能自动适配清理后的数据：

# 注意：x的step是0.2，所以梯度应该是Δy/Δx，不是单纯的y2-y1
x = np.arange(start=0, stop=20, step=0.2)
gradient = np.diff(y_custom) / (x[1] - x[0])

3. 调整argrelextrema参数增强鲁棒性 #

清理完数据后，再调整参数避免误判：

• 用greater/less替代greater_equal/less_equal：避免相邻值相等时的平坦区被误判为极值
• 合理设置order：order是邻域半宽度，比如order=2表示每个点需要比左右各2个点都大/小，根据数据密度调整，不要过大或过小

# 梯度局部极大值对应原信号的局部极小值点（梯度由正转负的峰值）
grad_maxima = argrelextrema(gradient, np.greater, order=2)
# 梯度局部极小值对应原信号的局部极大值点（梯度由负转正的谷值）
grad_minima = argrelextrema(gradient, np.less, order=2)

4. 可选：增加梯度平滑处理 #

如果清理后的数据仍有噪音，可以先对梯度做平滑再检测极值：

from scipy.ndimage import gaussian_filter1d

# 用高斯滤波平滑梯度，sigma根据噪音程度调整（比如sigma=1~3）
smoothed_gradient = gaussian_filter1d(gradient, sigma=1)
grad_maxima = argrelextrema(smoothed_gradient, np.greater, order=2)
grad_minima = argrelextrema(smoothed_gradient, np.less, order=2)

验证逻辑 #

处理完inf之后，你可以先打印gradient数组，确认里面没有inf或nan，再运行极值检测——毕竟余弦函数的验证已经证明你的核心流程是对的，问题就出在异常值干扰上。

内容的提问来源于stack exchange，提问作者Carl H