精确的数据分析是一项严肃的事业（也是我的热情所在），需要对您正在研究的系统有深入的了解。这里是 cmets，不幸的是，我怀疑你的问题根本没有一个简单的好答案——你必须考虑一下。数据分析基本上总是需要“讨论”的。
首先是您的数据和一般问题：
-
当您谈论噪声时，在数据分析中，这意味着统计上的随机波动。最常见的是高斯分布（有时也是其他分布，例如泊松）。高斯噪声是 a) 每个 bin 中的随机噪声和 b) 在正负方向上对称的噪声。因此，您在约 20 秒的峰值观察到的不是噪音。与随机噪声相比，它具有非常不同、非常系统和扩展的特性。这是一件必须有来历的“神器”，但我们只能在此推测。在实际应用中，研究和移除此类工件是最昂贵和最耗时的任务。
-
查看您的数据，随机噪声可以忽略不计。这是非常精确的数据。例如，在约 150 秒及之后，直到小数点后四位都没有可见的随机波动。
-
在断定这不是常识中的噪音之后，它可能至少有两件事：a）您正在研究的系统的一个特征，因此，您可以开发一个模型/公式，并且您可以“适合”的数据。 b) 测量链某处带宽有限的特性，因此，这里是高频截止。参见例如https://en.wikipedia.org/wiki/Ringing_artifacts 。不幸的是，对于 a 和 b，没有包罗万象的通用解决方案。而且您的问题描述（即使是代码和数据）也不足以提出理想的方法。
-
现在花了大约一个小时处理您的数据并绘制了一些图表。我相信（推测）约 10 秒的极其尖锐的特征不能是数据的“物理”属性。它简直太极端/太陡了。这里从根本上发生了一些事情。我的猜测可能是某些设备刚刚打开（之前关闭）。因此，之前的数据是没有意义的，之后还有很短的时间来稳定系统。在这种情况下实际上没有其他选择，只能完全丢弃数据，直到系统稳定在 40 秒左右。这也使您的问题变得微不足道。只需删除前 40 秒，最大值就会变得明显。
那么您可以使用哪些技术解决方案，请不要太沮丧，因为您必须自己考虑这个问题并为您的案例组装最佳解决方案。我将您的数据复制到两个 numpy 数组 x 和 y 中，并在 python 中运行以下测试：
去除不稳定时间
这是简单的解决方案——我更喜欢它。
plt.figure()
plt.xlabel('time')
plt.ylabel('signal')
plt.plot(x, y, label="original")
y_cut = y
y_cut[:40] = 0
plt.plot(x, y_cut, label="cut 40s")
plt.legend()
plt.grid()
plt.show()
注意只有在你有点疯狂（关于数据）的情况下才能继续阅读下面的内容。
滑动窗口
您提到了“滑动窗口”，它最适合随机噪声（您没有）或周期性波动（您也没有）。滑动窗口只是对连续的 bin 进行平均，平均掉随机波动。从数学上讲，这是一个卷积。
从技术上讲，您实际上可以像这样解决您的问题（自己尝试更大的 Nwindow 值）：
Nwindow=10
y_slide_10 = np.convolve(y, np.ones((Nwindow,))/Nwindow, mode='same')
Nwindow=20
y_slide_20 = np.convolve(y, np.ones((Nwindow,))/Nwindow, mode='same')
Nwindow=30
y_slide_30 = np.convolve(y, np.ones((Nwindow,))/Nwindow, mode='same')
plt.xlabel('time')
plt.ylabel('signal')
plt.plot(x,y, label="original")
plt.plot(x,y_slide_10, label="window=10")
plt.plot(x,y_slide_20, label='window=20')
plt.plot(x,y_slide_30, label='window=30')
plt.legend()
#plt.xscale('log') # useful
plt.grid()
plt.show()
因此，从技术上讲，您可以成功压制最初的“驼峰”。但不要忘记这是一个手动调整的而不是通用的解决方案......
任何滑动窗口解决方案的另一个警告：这总是会扭曲您的时间。由于您根据上升或下降信号在一个时间间隔内进行平均，因此您的卷积轨迹会在时间上前后移动（轻微但显着）。在您的特定情况下，这不是问题，因为主信号区域基本上没有时间依赖性（非常平坦）。
频域
这应该是灵丹妙药，但对于您的示例来说，它也不能很好/容易地工作。这不能更好地工作的事实是对我的主要暗示，即前 40 年代的数据最好被丢弃....（即在科学工作中）
您可以使用快速傅里叶变换在频域中检查您的数据。
import scipy.fft
y_fft = scipy.fft.rfft(y)
# original frequency domain plot
plt.plot(y_fft, label="original")
plt.xlabel('frequency')
plt.ylabel('signal')
plt.yscale('log')
plt.show()
频率结构代表数据的特征。峰值为零是约 100 秒后的稳定区域，驼峰与（快速）时间变化有关。您现在可以四处玩转并更改频谱（--> 过滤器），但我认为频谱太人工了，因此在这里不会产生很好的结果。尝试使用其他数据，您可能会印象深刻！我尝试了两件事，首先将高频区域切掉（设置为零），其次，在频域中应用滑动窗口滤波器（将峰值保留在 0，因为无法触及。尝试一下，你就知道为什么了）。
# cut high-frequency by setting to zero
y_fft_2 = np.array(y_fft)
y_fft_2[50:70] = 0
# sliding window in frequency
Nwindow = 15
Start = 10
y_fft_slide = np.array(y_fft)
y_fft_slide[Start:] = np.convolve(y_fft[Start:], np.ones((Nwindow,))/Nwindow, mode='same')
# frequency-domain plot
plt.plot(y_fft, label="original")
plt.plot(y_fft_2, label="high-frequency, filter")
plt.plot(y_fft_slide, label="frequency sliding window")
plt.xlabel('frequency')
plt.ylabel('signal')
plt.yscale('log')
plt.legend()
plt.show()
将其转换回时域：
# reverse FFT into time-domain for plotting
y_filtered = scipy.fft.irfft(y_fft_2)
y_filtered_slide = scipy.fft.irfft(y_fft_slide)
# time-domain plot
plt.plot(x[:500], y[:500], label="original")
plt.plot(x[:500], y_filtered[:500], label="high-f filtered")
plt.plot(x[:500], y_filtered_slide[:500], label="frequency sliding window")
# plt.xscale('log') # useful
plt.grid()
plt.legend()
plt.show()
产量
这些解决方案存在明显的波动，这使得它们对您的目的基本上无用。这导致我进行最后的练习，再次在“频率滑动窗口”时域上应用滑动窗口滤波器
# extra time-domain sliding window
Nwindow=90
y_fft_90 = np.convolve(y_filtered_slide, np.ones((Nwindow,))/Nwindow, mode='same')
# final time-domain plot
plt.plot(x[:500], y[:500], label="original")
plt.plot(x[:500], y_fft_90[:500], label="frequency-sliding window, slide")
# plt.xscale('log') # useful
plt.legend()
plt.show()
我对这个结果很满意，但它仍然有非常小的振荡，因此不能解决你原来的问题。
结论
多么有趣。一小时浪费了。也许它对某人有用。也许对你来说娜塔莎。请不要让我生气……