本文主要是介绍滑动平均（moving_average）与均值滤波（mean_smooth）的区别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
在数据处理时，我们为了平滑数据，有时会用到滑动平均算法。算法很简单，但是我不想自己写，于是上网搜现成的轮子，但是发现很多轮子是错误的，如文章：https://blog.csdn.net/weixin_42232219/article/details/90328880，https://www.yzlfxy.com/jiaocheng/python/338117.html
他们混淆了滑动平均与均值滤波的区别，用卷积的方式实现滑动平均。如：
import numpy as np def np_move_avg(a,n,mode="same"): return(np.convolve(a, np.ones((n,))/n, mode=mode))然而，滑动平均与均值滤波是两种不同的算法。
滑动平均中有一个动量的概念，是用动量参与加权和的计算。
而均值滤波中没有动量的概念，是使用原始数据进行均值/加权和计算。
具体差异就是：与当前元素计算加权和的元素的来源不同。均值滤波是利用平滑前的数据；滑动平均是利用平滑后的数据。
具体差异见以下代码(在差异的代码后面有注释)：
def moving_average(scalars,weight=0.85):"""滑动平均算法:param scalars: 单层列表:param weight: 滑动平均权重（last的权重）:return:"""last = scalars[0]smoothed = [scalars[0]]for point in scalars:smoothed_value = last * weight + (1 - weight) * pointsmoothed.append(smoothed_value)last = smoothed_value # 用smoothed[-1]参与下一步的加权和计算return smootheddef mean_smooth(scalars,weight=0.85):"""均值滤波:param scalars: 单层列表:param weight: 加权和权重:return:"""last = scalars[0]smoothed = [scalars[0]]for index,point in enumerate(1,scalars):smoothed_value = last * weight + (1 - weight) * pointsmoothed.append(smoothed_value)last = point #用scalars的元素参与下一个环节的加权和计算return smoothed
这篇关于滑动平均（moving_average）与均值滤波（mean_smooth）的区别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
