Pandas中自动提取时序序列下跌点、峰值点的数值与日期

替代手动日期切片的核心思路 #

原来手动切区间取极值的逻辑，本质是在人工划分的趋势段落里找局部反转点。自动化实现不需要人工定区间，只要做三步：

• 对原始时序做平滑去噪，过滤短期波动带来的伪拐点
• 用内置的极值检测算法，批量识别全序列内所有的波峰、波谷位置
• 按照三类目标点位的出现顺序、相对位置规则，从所有检测到的极值里匹配对应目标

可直接复用的代码 #

除原有pandas依赖外，需要安装scipy提供的极值检测能力，执行pip install scipy即可完成安装。代码逻辑完全兼容原有数据读取流程，无需重写基础部分：

import pandas as pd
import numpy as np
from scipy.signal import find_peaks

# 原有数据读取逻辑完全保留
df = pd.read_csv(r"D:\Data\2015_20.csv", parse_dates=["Date"])
df = df[["Date", "Mean"]]
df = df.set_index("Date").sort_index()  # 强制按日期排序，避免数据乱序干扰检测
# 补全缺失日期，避免时间轴错位
df = df.resample('D').asfreq().interpolate()

# 对原始序列做平滑，消除短期毛刺
smooth_window = 7  # 根据数据颗粒度调整：日频取7，周频取4，月频取2
df['smoothed_mean'] = df['Mean'].rolling(window=smooth_window, center=True).mean().bfill().ffill()

# 批量识别全序列波谷（下跌段的拐点）
prominence = 0.5  # 有效拐点的最小波动幅度，检测结果偏多就调大，漏检就调小
valley_pos, _ = find_peaks(-df['smoothed_mean'], prominence=prominence)
valley_dates = df.index[valley_pos]
valley_vals = df['smoothed_mean'].iloc[valley_pos]

# 批量识别全序列波峰（上涨/下跌转折的拐点）
peak_pos, _ = find_peaks(df['smoothed_mean'], prominence=prominence)
peak_dates = df.index[peak_pos]
peak_vals = df['smoothed_mean'].iloc[peak_pos]

# 按规则匹配三类目标点位
# 1. 首个下跌拐点：序列中最早出现的波谷
p1_date = valley_dates[0]
p1_val = valley_vals.iloc[0]

# 2. 阶段性峰值：首个下跌拐点之后，序列达到的最高波峰
post_p1_peaks = peak_dates[peak_dates > p1_date]
post_p1_vals = peak_vals[peak_dates > p1_date]
p2_idx = post_p1_vals.argmax()
p2_date = post_p1_peaks[p2_idx]
p2_val = post_p1_vals.iloc[p2_idx]

# 3. 峰值后再度下跌的拐点：阶段性峰值之后出现的第一个波峰
post_p2_peaks = peak_dates[peak_dates > p2_date]
post_p2_vals = peak_vals[peak_dates > p2_date]
p3_date = post_p2_peaks[0]
p3_val = post_p2_vals.iloc[0]

# 输出结果，对齐原有打印格式
print("首个下跌拐点: 日期={}, 数值={:.2f}".format(p1_date.date(), p1_val))
print("阶段性峰值拐点: 日期={}, 数值={:.2f}".format(p2_date.date(), p2_val))
print("峰值后下跌拐点: 日期={}, 数值={:.2f}".format(p3_date.date(), p3_val))

调优指南 #

• 如果检测到的拐点数量远多于实际需要的关键节点，就把prominence参数调大，过滤掉波动幅度小的无效拐点
• 如果关键拐点被漏检，就适当减小prominence的取值，一般这个值取全序列标准差的1/3~1/5比较合适
• 如果长期趋势被过度平滑，就减小rolling的窗口长度，保留更多趋势细节

内容的提问来源于stack exchange，提问作者user286076