如何修改局部极小值检测代码以获取图表8个目标极小值并完成数据切割

你当前的代码仅做逐点相邻高低关系判断，没有任何噪声过滤逻辑，会把波形上所有微小毛刺带来的局部低点全部判定为极小值，因此输出了36个冗余结果，完全无法匹配需要的8个带真实波形特征的谷值。

• 原判断逻辑无深度阈值：哪怕相邻波动幅度不足总信号极差的1%，也会被判定为有效谷
• 无谷间距限制：离得极近的连续毛刺会连续输出多个相邻的谷索引
• 原代码存在缩进错误：if语句和for循环同级，实际运行会报语法错误，无法正常执行循环内的判断逻辑

要精准筛选出8个目标极小值，需在原有逐点检测的基础上加两层过滤，滤除所有伪极小值：

• 深度过滤：给每个原始候选极小值计算对应的谷深度（即谷点比左右两侧相邻最近峰值的高度差），设置最小深度阈值，直接滤除深度过小的噪声毛刺
• 间距过滤：把符合深度要求的候选谷按照深度从大到小排序，优先保留深度更深的真实谷，同时强制两个保留的谷之间满足最小索引间隔，直到刚好筛选出8个有效位置
• 最后将筛选好的谷索引按从小到大排序，作为后续数据切割的锚点

# 可根据实际波形调整的两个核心过滤参数
MIN_VALLEY_DEPTH = 0.05 * (max(y) - min(y))  # 有效谷的最小深度，取整信号极差的5%
MIN_VALLEY_DISTANCE = len(y) // 10  # 两个有效谷之间的最小索引间隔

# 第一步：收集所有原始候选极小值（修正原代码的缩进错误）
raw_candidates = []
for i in range(1, len(y) - 1):
    if y[i-1] >= y[i] and y[i] <= y[i+1]:
        # 计算当前候选点的谷深度
        left_peak = max(y[:i])
        right_peak = max(y[i:])
        valley_depth = min(left_peak - y[i], right_peak - y[i])
        raw_candidates.append((i, valley_depth))

# 第二步：分层过滤伪极小值
filtered_candidates = []
# 优先保留深度更大的候选值，因此按深度降序排序
raw_candidates.sort(key=lambda x: -x[1])
for idx, depth in raw_candidates:
    # 跳过深度不达标的噪声点
    if depth < MIN_VALLEY_DEPTH:
        continue
    # 跳过和已保留谷距离过近的点
    too_close = any(abs(idx - kept_idx) < MIN_VALLEY_DISTANCE for kept_idx, _ in filtered_candidates)
    if not too_close:
        filtered_candidates.append((idx, depth))
    # 凑够8个目标点就提前停止筛选
    if len(filtered_candidates) == 8:
        break

# 最终整理成按x轴顺序排列的极小值索引列表
mini = sorted([idx for idx, depth in filtered_candidates])

有了按顺序排好的8个极小值索引，直接做数组切片即可完成切割：

• 切割逻辑以极小值为分段边界：从数据起点开始，到第一个谷的位置为第一分段；相邻两个谷的索引之间为中间分段；从最后一个谷的位置到数据终点为收尾分段
• 不需要额外计算分割线坐标，直接用极小值索引作为切片边界即可

cut_segments = []
segment_start = 0
for valley_idx in mini:
    cut_segments.append(y[segment_start:valley_idx+1])
    segment_start = valley_idx
cut_segments.append(y[segment_start:])

注：两个过滤参数可根据实际波形微调，如果筛选出的谷位置偏离预期，就适当调高MIN_VALLEY_DEPTH或MIN_VALLEY_DISTANCE的数值，直到精准匹配到目标的8个谷位置即可。

内容的提问来源于stack exchange，提问作者codexx