Python：频谱峰值识别后如何移除峰值实现曲线平滑

核心认知 #

不要直接物理删除原序列里峰值对应的频带点：你用的三分之一倍频程频率轴是固定对数等距布局的，硬删元素会打乱频带和幅值的对应关系，后续做平滑、对比曲线的时候会和原频谱的坐标错位。通用的做法是保留所有频带的位置，仅把峰值位置的突兀尖值替换成符合整体频谱趋势的估计值，后续再做平滑处理。

可落地的实现方案 #

• 有效点掩码+对数局部插值
  这是最适配三分之一倍频程频谱的实现方式，步骤如下：
  1. 基于已识别的峰值索引，生成非峰值有效点的索引列表：valid_idx = np.setdiff1d(np.arange(len(Spec)), peaks)
  2. 因为三分之一倍频程的频率是按对数间隔排布的，直接用普通线性插值会有斜率偏差，先把有效点的频率值转成log10(Frequency)的对数坐标，用有效点的（对数频率，幅值）对做线性插值
  3. 算出所有峰值位置对应的趋势性幅值，把原Spec序列里峰值位置的尖值替换成这个趋势值，得到无尖峰的干净频谱序列
     参考实现代码：

  import numpy as np
  log_freq = np.log10(Frequency)
  # 提取非峰值的有效点坐标和对应幅值
  valid_logf = log_freq[valid_idx]
  valid_spec = Spec[valid_idx]
  # 插值计算峰值位置的趋势幅值
  peak_trend_vals = np.interp(log_freq[peaks], valid_logf, valid_spec)
  # 原位替换得到清理后的频谱
  clean_Spec = Spec.copy()
  clean_Spec[peaks] = peak_trend_vals
  

• 窄峰邻域扩展替换
  如果你检测到的干扰峰值是跨1-2个频带的窄峰，不要只替换峰值本身的点：取峰值左右两侧2个频带的非峰值平稳点做局部线性拟合，算出这几个相邻尖峰点的预期幅值并逐点替换，避免只替换单点造成邻域幅值的阶梯跳变，降低后续平滑的拟合误差
• 权重式平滑免改原序列
  如果需要保留原始频谱的完整数据做对比，可以直接在平滑计算阶段跳过峰值点的贡献：做滑动平均、Savitzky-Golay平滑时，给峰值位置的点赋0权重，其余非峰值点正常参与窗口计算，既不会破坏原始序列结构，也能避免尖峰拉高局部的平滑值

实操避坑提示 #

• 调整find_peaks的prominence阈值，避免把频谱本身的自然趋势顶点（比如低频段正常的幅值抬升）误判为需要移除的异常尖峰
• 插值计算时优先用峰值两侧最近的2-3个平稳点做局部估计，不要用全局平均或全局线性拟合，避免破坏频谱本身随频率升降的自然斜率
• 清理后的clean_Spec可以直接套用你原本的matplotlib绘图逻辑做对比，不需要调整频率轴的坐标

内容的提问来源于stack exchange，提问作者pyboy1995