我可以通过查找一阶导数的过零或其他东西来自己编写一些东西，但这似乎是一个足够通用的函数，可以包含在标准库中。有人知道吗？
我的特定应用是二维数组，但通常它会用于在 FFT 等中查找峰值。
具体来说，在这类问题中，有多个强峰，然后是许多较小的“峰”，这些“峰”只是由噪声引起的，应该忽略。这些只是例子；不是我的实际数据：
一维峰：
二维峰：
寻峰算法会找到这些峰值的位置（不仅仅是它们的值），并且理想情况下会找到真正的样本间峰值，而不仅仅是具有最大值的索引，可能使用二次插值或其他方法。
通常，您只关心几个强峰，因此选择它们要么是因为它们高于某个阈值，要么是因为它们是按幅度排序的有序列表的前n 个峰。
正如我所说，我知道如何自己写这样的东西。我只是想问一下是否有一个已知运行良好的预先存在的功能或包。
更新：
我翻译了一个 MATLAB 脚本，它适用于一维案例，但可能会更好。
更新更新：
Sixtenbe为一维案例创建了一个更好的版本。
scipy.signal.find_peaks顾名思义，函数对此很有用。但重要的是要很好地理解它的参数width, threshold，distance 最prominence重要的是要获得良好的峰值提取。
根据我的测试和文档，突出的概念是“有用的概念”，以保持良好的峰值，并丢弃嘈杂的峰值。
什么是（地形）突出？它是“从山顶下降到任何更高地形所需的最小高度”，如下所示：
这个想法是：
突出度越高，峰越“重要”。
测试：
我故意使用（嘈杂的）频率变化的正弦曲线，因为它显示出许多困难。我们可以看到该width参数在这里不是很有用，因为如果您将最小值设置width得太高，那么它将无法在高频部分跟踪非常接近的峰值。如果设置width得太低，信号左侧会出现许多不需要的峰值。同样的问题distance。threshold仅与直接邻居比较，这在这里没有用。prominence是提供最佳解决方案的那个。请注意，您可以组合其中的许多参数！
代码：
import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import find_peaks
x = np.sin(2*np.pi*(2**np.linspace(2,10,1000))*np.arange(1000)/48000) + np.random.normal(0, 1, 1000) * 0.15
peaks, _ = find_peaks(x, distance=20)
peaks2, _ = find_peaks(x, prominence=1) # BEST!
peaks3, _ = find_peaks(x, width=20)
peaks4, _ = find_peaks(x, threshold=0.4) # Required vertical distance to its direct neighbouring samples, pretty useless
plt.subplot(2, 2, 1)
plt.plot(peaks, x[peaks], "xr"); plt.plot(x); plt.legend(['distance'])
plt.subplot(2, 2, 2)
plt.plot(peaks2, x[peaks2], "ob"); plt.plot(x); plt.legend(['prominence'])
plt.subplot(2, 2, 3)
plt.plot(peaks3, x[peaks3], "vg"); plt.plot(x); plt.legend(['width'])
plt.subplot(2, 2, 4)
plt.plot(peaks4, x[peaks4], "xk"); plt.plot(x); plt.legend(['threshold'])
plt.show()
我正在研究一个类似的问题，我发现一些最好的参考来自化学（来自质谱数据中的峰）。要全面了解峰值查找算法，请阅读此内容。这是我遇到过的关于峰值发现技术的最清晰的评论之一。（小波最适合在噪声数据中找到此类峰值。）。
看起来您的峰值已明确定义并且没有隐藏在噪音中。在这种情况下，我建议使用平滑的 savtizky-golay 导数来找到峰值（如果你只是区分上面的数据，你会有一堆误报。）。这是一种非常有效的技术，并且很容易实现（您确实需要一个带有基本操作的矩阵类）。如果您只是找到第一个 SG 导数的过零，我想您会很高兴。
scipy 中有一个名为的函数scipy.signal.find_peaks_cwt听起来适合您的需求，但是我没有使用它的经验，所以我不能推荐..
http://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.find_peaks_cwt.html
对于那些不确定在 Python 中使用哪种寻峰算法的人，这里是替代方案的快速概述：https ://github.com/MonsieurV/py-findpeaks
想要自己与 MatLab 函数等效findpeaks，我发现 Marcos Duarte 的detect_peaks 函数是一个不错的选择。
很容易使用：
import numpy as np
from vector import vector, plot_peaks
from libs import detect_peaks
print('Detect peaks with minimum height and distance filters.')
indexes = detect_peaks.detect_peaks(vector, mph=7, mpd=2)
print('Peaks are: %s' % (indexes))
这会给你：
以可靠的方式检测频谱中的峰值已经进行了相当多的研究，例如所有关于 80 年代音乐/音频信号正弦建模的工作。在文献中查找“正弦建模”。
如果您的信号与示例一样干净，那么简单的“给我一些幅度高于 N 邻居的东西”应该可以很好地工作。如果您有噪声信号，一个简单但有效的方法是及时查看峰值并跟踪它们：然后您检测谱线而不是谱峰。IOW，您在信号的滑动窗口上计算 FFT，以便及时获得一组频谱（也称为频谱图）。然后，您可以查看频谱峰值在时间上的演变（即在连续窗口中）。
要检测正峰和负峰，PeakDetect很有帮助。
from peakdetect import peakdetect
peaks = peakdetect(data, lookahead=20)
# Lookahead is the distance to look ahead from a peak to determine if it is the actual peak.
# Change lookahead as necessary
higherPeaks = np.array(peaks[0])
lowerPeaks = np.array(peaks[1])
plt.plot(data)
plt.plot(higherPeaks[:,0], higherPeaks[:,1], 'ro')
plt.plot(lowerPeaks[:,0], lowerPeaks[:,1], 'ko')
我不认为你正在寻找的东西是由 SciPy 提供的。在这种情况下，我会自己编写代码。
scipy.interpolate 的样条插值和平滑非常好，可能有助于拟合峰值，然后找到它们的最大值的位置。
有用于查找数据异常值的标准统计函数和方法，这可能是您在第一种情况下需要的。使用导数可以解决您的第二个问题。但是，我不确定是否有一种方法可以同时解决连续函数和采样数据。
首先，如果没有进一步的说明，“峰值”的定义是模糊的。例如，对于以下系列，您将 5-4-5 称为一峰还是二峰？
1-2-1-2-1-1-5-4-5-1-1-5-1
在这种情况下，您至少需要两个阈值： 1) 一个高阈值，仅高于该阈值才能将极值记录为峰值；2) 一个低阈值，使得由低于它的小值分隔的极值将成为两个峰值。
峰值检测是极值理论文献中深入研究的主题，也称为“极值去簇”。其典型应用包括根据环境变量的连续读数识别危险事件，例如分析风速以检测风暴事件。