我有一个15497组值的数据集。该图显示了摆锤的原始数据角度与样本数量的关系，显然，这看起来很糟糕。它应该看起来像第二张图片过滤后的数据。分配的一部分是将均值滤波器引入到"；使"平滑"；数据，使其看起来像第二张图上的数据。数据被放入Python中的np.array中。但是，使用np.array，我似乎不知道如何引入均值滤波器。我感兴趣的是在Python代码的代码截图中对theta应用均值过滤器，因为theta是绘图上y轴上的值。添加代码是为了方便您了解数据文件是如何在代码中引入的。
有一个完整的过滤技术世界。没有一个唯一的"均值过滤器"。此外，还有因果滤波器和非因果滤波器(即在滤波器中不使用未来值与在滤波器中使用未来值之间的区别。(我假设你想要一个大小为N的平均滤波器，因为这是非常标准的。然后，为了应用这个滤波器，将"θ"向量与平均核进行卷积。
我建议打印平均内核，并研究它在不同N下的外观。然后你可以理解它是如何对信号中的值进行平均的。我还敦促你们思考卷积为什么要把这个滤波器应用于θ。我会帮助你，让你思考频域中的等效乘法。此外，研究卷积函数中的不同模式，因为这可能更适合您想要的特定解决方案。
N=2
mean_kernel = np.ones(N)/N
filtered_sig = np.convolve(sig, mean_kernel, mode='same')