相关文章：
Python xlwt数据保存到 Excel中以及xlrd读取excel文件画图
先上效果图：
由于高频某些点的波动导致高频曲线非常难看，为了降低噪声干扰，需要对曲线做平滑处理，让曲线过渡更平滑，可以看出经过平滑处理后更明显去除噪声且更加美观。
1.滑动平均滤波滑动平均滤波法 （又称：递推平均滤波法），它把连续取N个采样值看成一个队列 ，队列的长度固定为N ，每次采样到一个新数据放入队尾，并扔掉原来队首的一次数据(先进先出原则) 。把队列中的N个数据进行算术平均运算，就可获得新的滤波结果。
优点： 对周期性干扰有良好的抑制作用，平滑度高，适用于高频振荡的系统。
缺点： 灵敏度低，对偶然出现的脉冲性干扰的抑制作用较差，不易消除由于脉冲干扰所引起的采样值偏差，不适用于脉冲干扰比较严重的场合，比较浪费RAM 。
效果如下：卷积核越大越平滑。
Numpy.convolve函数：（numpy.convolve函数官方文档）
代码语言：javascript复制numpy.convolve(data, kernel, mode=‘full’) # 返回a=data和kernel的离散线性卷积。参数说明：data:(N,)输入的第一个一维数组
kernel:(M,)输入的第二个一维数组
和一维卷积参数类似，data就是被卷积数据，kernel是卷积核大小。
mode:{‘full’, ‘valid’, ‘same’}参数可选，该参数指定np.convolve函数如何处理边缘。
mode可能的三种取值情况：
full’ 默认值，返回每一个卷积值，长度是N+M-1,在卷积的边缘处，信号不重叠，存在边际效应。‘same’ 返回的数组长度为max(M, N),边际效应依旧存在。‘valid’ 返回的数组长度为max(M,N)-min(M,N)+1,此时返回的是完全重叠的点。边缘的点无效。（推荐这种）代码如下：
代码语言：javascript复制import xlwt
import random
import numpy as np
from scipy.signal import savgol_filter
import matplotlib.pyplot as plt
import xlrd
import scipy
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
x_data=[]
y_data=[]
x_data1=[]
y_data1=[]
x_data3=[]
x_data4=[]
data = xlrd.open_workbook('train_reward.xls')
table = data.sheets()[0]
data1 = xlrd.open_workbook('train_reward_2.xls')
table1 = data1.sheets()[0]
cap = table.col_values(1) #读取第二列数据
cap1 = table.col_values(0)#读取第一列数据
#print(cap) #打印出来检验是否正确读取
cap2 = table1.col_values(1) #读取第二列数据
cap3 = table1.col_values(0)#读取第一列数据
#print(cap) #打印出来检验是否正确读取
for i in range(1,9999):
y_data.append(cap[i])
# x_data.append(cap1[i]*50) #对第一列数据扩大50倍
x_data.append(cap1[i]) #对第一列数据扩大50倍
for i in range(1,2231):
y_data1.append(cap2[i])
# x_data.append(cap1[i]*50) #对第一列数据扩大50倍
x_data1.append(cap3[i]) #对第一列数据扩大50倍
#?平滑处理：
modes = ['full', 'same', 'valid'] #模式
# mode可能的三种取值情况：
# full’ 默认值，返回每一个卷积值，长度是N+M-1,在卷积的边缘处，信号不重叠，存在边际效应。
# ‘same’ 返回的数组长度为max(M, N),边际效应依旧存在。
# ‘valid’ 返回的数组长度为max(M,N)-min(M,N)+1,此时返回的是完全重叠的点。边缘的点无效。
def moving_average(interval, windowsize):
window = np.ones(int(windowsize)) / float(windowsize)
for m in modes:
re = np.convolve(interval, window, 'valid')
return re
for i in range(1,9975):
x_data3.append(i)
for i in range(1,2207):
x_data4.append(i)
plt.plot(x_data, y_data, 'g',label ="TD3",alpha=0.2)
y_av = moving_average(y_data, 25)
plt.plot(x_data3, y_av, 'b',label ="TD3")
y_av2 = moving_average(y_data1, 25)
plt.plot(x_data4, y_av2, 'red',label ="DDPG")
# plt.grid()网格线设置
plt.grid(True)
plt.title('滑动平均滤波/卷积核25')
plt.legend()#标签
plt.xlabel('episodes')
plt.ylabel('Average reward')
plt.show()2. Savitzky-Golay 滤波器实现曲线平滑对曲线进行平滑处理，通过Savitzky-Golay 滤波器，可以在**scipy库**里直接调用，不需要再定义函数。
代码语法：
python中Savitzky-Golay滤波器调用如下：
代码语言：javascript复制y_smooth = scipy.signal.savgol_filter(y,53,3)
# 亦或
y_smooth2 = savgol_filter(y, 99, 1, mode= 'nearest')
# 备注：
y：代表曲线点坐标（x,y）中的y值数组
window_length：窗口长度，该值需为正奇整数。例如：此处取值53
k值：polyorder为对窗口内的数据点进行k阶多项式拟合，k的值需要小于window_length。例如：此处取值3
mode：确定了要应用滤波器的填充信号的扩展类型。（This determines the type of extension to use for the padded signal to which the filter is applied. ）（1）window_length对曲线的平滑作用： window_length的值越小，曲线越贴近真实曲线；window_length值越大，平滑效果越厉害（备注：该值必须为正奇整数）。
（2）k值对曲线的平滑作用： k值越大，曲线越贴近真实曲线；k值越小，曲线平滑越厉害。另外，当k值较大时，受窗口长度限制，拟合会出现问题，高频曲线会变成直线。
Savitzky-Golay平滑滤波是光谱预处理中的常用滤波方法，其核心思想：是对一定长度窗口内的数据点进行k阶多项式拟合，从而得到拟合后的结果。 对它进行离散化处理后，Ｓ-Ｇ 滤波其实是一种移动窗口的加权平均算法，但是其加权系数不是简单的常数窗口，而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出。Savitzky-Golay平滑滤波被广泛地运用于数据流平滑除噪，是一种在时域内基于局域多项式最小二乘法拟合的滤波方法。这种滤波器的 最大特点：在滤除噪声的同时可以确保信号的形状、宽度不变使用平滑滤波器对信号滤波时，实际上是拟合了信号中的低频成分，而将高频成分平滑出去了。 如果噪声在高频端，那么滤波的结果就是去除了噪声，反之，若噪声在低频段，那么滤波的结果就是留下了噪声。效果如下：
代码如下：
代码语言：javascript复制import xlwt
import random
import numpy as np
from scipy.signal import savgol_filter
import matplotlib.pyplot as plt
import xlrd
import scipy
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
x_data=[]
y_data=[]
x_data1=[]
y_data1=[]
data = xlrd.open_workbook('train_reward.xls')
table = data.sheets()[0]
data1 = xlrd.open_workbook('train_reward_2.xls')
table1 = data1.sheets()[0]
cap = table.col_values(1) #读取第二列数据
cap1 = table.col_values(0)#读取第一列数据
#print(cap) #打印出来检验是否正确读取
cap2 = table1.col_values(1) #读取第二列数据
cap3 = table1.col_values(0)#读取第一列数据
#print(cap) #打印出来检验是否正确读取
for i in range(1,9999):
y_data.append(cap[i])
# x_data.append(cap1[i]*50) #对第一列数据扩大50倍
x_data.append(cap1[i]) #对第一列数据扩大50倍
for i in range(1,2321):
y_data1.append(cap2[i])
# x_data.append(cap1[i]*50) #对第一列数据扩大50倍
x_data1.append(cap3[i]) #对第一列数据扩大50倍
#?平滑处理：
tmp_smooth1 = scipy.signal.savgol_filter(y_data,25,3)
# tmp_smooth2 = scipy.signal.savgol_filter(y_data,63,4)
plt.semilogx(x_data,y_data,label = "TD3",alpha=0.2) #//增加透明度
plt.semilogx(x_data,tmp_smooth1,label = 'TD3-smooth',color = 'red')
# plt.semilogx(x_data,tmp_smooth2,label = 'mic'+str(1)+'拟合曲线-53',color = 'green')
tmp_smooth3 = scipy.signal.savgol_filter(y_data1,25,3)
#% window_length的值越小，曲线越贴近真实曲线；window_length值越大，平滑效果越厉害
#! k值推荐3-5k值越大，曲线越贴近真实曲线；k值越小，曲线平滑越厉害。另外，当k值较大时，受窗口长度限制，拟合会出现问题，高频曲线会变成直线
# tmp_smooth2 = scipy.signal.savgol_filter(y_data,63,4)
plt.semilogx(x_data1,y_data1,label = "DDPG",alpha=0.3) #//增加透明度
plt.semilogx(x_data1,tmp_smooth3,label = 'DDPG-smooth',color = 'blue')
# plt.plot(x_data, y_data,color="#006bac")
plt.title('Savitzky-Golay 滤波器25/3')
plt.legend()#标签
plt.xlabel('episodes')
plt.ylabel('Average reward')
plt.show() 参考链接：
python 数据、曲线平滑处理——方法总结(Savitzky-Golay 滤波器、make_interp_spline插值法和convolve滑动平均滤波)
python 平滑_Python 生成曲线进行快速平滑处理