Довольно новый для обработки данных, подобных этому; У меня две кривые, что я не уверен, как обрабатывать, но я знаю, что я хотел бы иметь в качестве результата. Исходные графики двух наборов данных показаны ниже (слева); грубая подгонка, которую, как мне кажется, я хотел бы иметь для них, показана ниже (справа) с наложенной посадкой в красный цвет.Устранение выбросов/наилучшим образом подходит для «колючих» данных в Python
Первый пример: Внезапные падения амплитуды являются артефактом о том, как были сделаны данные. Это означает, что он по своей сути непредсказуем, и я бы идеально хотел бы найти метод, который был бы устойчив к такому поведению.
В первом случае, я мог бы попытаться устранить резкое падение амплитуды, используя порог, но это не помогло бы мне во втором случае: , , где я до сих пор получить сильное колебание, но минимумы не более 0.
Редактировать: После написания короткого сценария для использования предложения @JamesPhillips, результаты подгонки показаны ниже; может подтвердить, что это то, что я искал, и работает лучше/быстрее, чем другие алгоритмы подгонки.
и
Спасибо за ваше предложение - это было именно то, что я искал, и быстрее/проще реализовать, чем другие комплекты. Я обновил свой первоначальный вопрос с результатами. – AaronJPung