Datautjämningsverktyget

Online-utjämningsverktyget tar emot en numerisk sekvens och utjämnar den för att minska högfrekvent brus samtidigt som kärnmönstren behålls. Det riktar sig till data scientists, ingenjörer, forskare, studenter och analytiker som arbetar med bullriga sensorer, laboratoriemätningar eller finans-ella tidsserier och behöver renare indata för visualisering, funktionsutvinning och prognoser.
Konceptuellt innebär utjämning en avvägning mellan trohet och brusreducering genom att tillämpa ett av flera algoritmer. Den stöder glidande medelvärde, Savitzky-Golay, LOESS och Gaussisk utjämning. Användare tillhandahåller data_series och justerar metodspecifika parametrar: window_size för glidande medelvärde, poly_order för Savitzky-Golay, bandwidth eller smoothing_fraction för LOESS, och sigma för Gaussisk utjämning. Randbehandling kan använda reflect, pad eller truncate. Formlerna inkluderar y_i = medelvärdet av grannar för glidande medelvärde; Savitzky-Golay beräknar y_hat_i via konvolution med polynomkoefficienter; LOESS anpassar lokala regressioner med ett tri-kubiskt kernel; Gaussisk utjämning använder en viktad konvolution med Gaussian kernel.
Utdata inkluderar smoothed_series, residuals (ursprunglig minus utjämning) och en logg över använda parametrar. Resultatet behåller samma längd som indata för att matcha grafer och downstream-modeller. Det stöder oregelbunden sampling via x_values och ger diagnostik för att hjälpa välja den metod som bäst bevarar trender medan brus minskar. Användningsfall inkluderar sensordata denoising, klimat- och finansiella tidsserier, experimentella loggar och undervisningsdemonstrationer. Unikt värde ligger i att erbjuda flera utjämningsmetoder i ett enda arbetsflöde, tydliga parameterkontroller och enkla exportalternativ för modellering, visualisering eller rapportering.