如何在Python中提升使用Scipy查找局部极大值、极小值的准确度？

API 探路者

2026-10-7

以下是提升Scipy局部极值检测准确度的可落地方法：

调整邻域比较范围order参数
默认order=1仅对比当前点左右各1个点，放大该值（比如设为3、5），要求当前点比左右连续N个点都大/小时才判定为极值，可大幅过滤小幅噪声导致的假极值，示例代码：
```
# 要求当前点比左右各3个点都大才判定为极大值
argrelextrema(z, np.greater, order=3)
```

先对原始数据做平滑预处理
原始数据存在高频噪声时，会生成大量无意义的假极值，先使用滤波算法降噪后再做检测，常用平滑方法有Savitzky-Golay滤波、滑动平均滤波，示例代码：

from scipy.signal import savgol_filter
# 窗口长度5、2次多项式拟合做平滑，窗口长度需设为奇数
z_smoothed = savgol_filter(z, window_length=5, polyorder=2)
# 用平滑后的数据检测极值
argrelextrema(z_smoothed, np.greater, order=2)

增加极值幅值阈值过滤
拿到检测结果后，筛掉幅值不符合要求的点，比如要求极大值不低于全局最大值的30%，极小值不高于全局最小值的120%，过滤掉小幅波动的误判：
```
import numpy as np
max_idx = argrelextrema(z, np.greater, order=3)[0]
# 保留幅值大于全局最大值30%的真实极大值
valid_max_idx = max_idx[z[max_idx] >= 0.3 * np.max(z)]
```
替换为功能更完善的专用峰检测API
针对单维序列的极值/峰检测，scipy.signal.find_peaks的实用性远高于通用的argrelextrema，可直接配置高度阈值、相邻峰最小距离、峰突出度、峰宽等参数，适配大部分场景需求，示例代码：
```
from scipy.signal import find_peaks
# 要求峰高≥0.5，相邻峰最小间距为5个点，峰比两侧低谷至少高0.3
peaks, properties = find_peaks(z, height=0.5, distance=5, prominence=0.3)
```
适配边界处理规则
如果数据首尾区域的极值存在漏判/误判，可以调整mode参数适配边界逻辑，可选值有clip（边界值外推为同值）、wrap（循环边界）、nearest（取最近的点做对比）。