不将缺失值填充为0的平滑处理：非全天空地图Healpy平滑偏差问题

这个问题我之前也碰到过——当处理非全天空、非零均值且非高斯分布的Healpix地图时，Healpy默认把hp.UNSEEN缺失值填充为0的行为，确实会在掩码边缘引入明显的偏低偏差，因为平滑卷积会把边缘的有效数据和0值混合，直接拉低了结果。

核心解决方案 #

我们需要用**数据自身的有效均值（而非0）**来填充缺失区域，完成平滑后再将掩码区域恢复为hp.UNSEEN。这样能避免平滑过程中引入不合理的数值偏差。

修改后的完整代码 #

import healpy as hp
import numpy as np

nside = 128
npix = hp.nside2npix(nside)
arr = np.ones(npix)
mask = np.zeros(npix, dtype=bool)
mask[:mask.size//2] = True
arr[~mask] = hp.UNSEEN

# 步骤1：计算有效数据的均值（替代默认的0填充值）
valid_mean = np.mean(arr[mask])
arr_filled = arr.copy()
arr_filled[~mask] = valid_mean

# 步骤2：执行平滑操作
arr_sm = hp.smoothing(arr_filled, fwhm=np.radians(5.))

# 步骤3：将原掩码区域恢复为UNSEEN
arr_sm[~mask] = hp.UNSEEN

# 可视化对比效果
hp.mollview(arr, title='Input array')
hp.mollview(arr_sm, title='Smoothed array (mean-filled mask)')
hp.mollview(hp.smoothing(arr, fwhm=np.radians(5.)), title='Smoothed array (default 0-fill)')
hp.show()

为什么这样有效？ #

默认的0填充相当于给缺失区域强加了一个远低于数据均值的数值，平滑时边缘的有效数据会被这个不合理的低值“稀释”。而用有效数据的均值填充后，缺失区域的数值和有效区域的统计特性一致，平滑过程中边缘的卷积计算不会引入额外偏差，完美解决了掩码边缘偏低的问题。

如果你的数据有更复杂的统计特性（比如局部均值差异大），也可以考虑用局部均值或其他符合数据分布的统计量填充，但对于大多数非零均值的场景，全局有效均值是最简便且可靠的选择。

内容的提问来源于stack exchange，提问作者Daniel Lenz