简短的答案： 可能
argrelextrema不够灵活。考虑编写符合您需要的函数。
更长的答案：
您一定要使用
argrelextrema吗？如果是，则可以使用
comparator和的
order参数
argrelextrema（请参阅参考资料）。
对于您的简单示例，选择
np.greater_equalas就足够了
comparator。
>>> data = np.array([ 0, 1, 2, 1, 0, 1, 3, 3, 1, 0 ])>>> print(argrelextrema(data, np.greater_equal,order=1))(array([2, 6, 7]),)
但是请注意，以这种方式
>>> data = np.array([ 0, 1, 2, 1, 0, 1, 3, 3, 4, 1, 0 ])>>> print(argrelextrema(data, np.greater_equal,order=1))(array([2, 6, 8]),)
找到第一个
3和
4最大的行为，可能会表现出与您可能想要的不同的方式，因为
argrelextrema现在将所有事物视为大于或等于其两个最近邻居的最大值。现在，您可以使用该
order参数来确定此比较必须包含的邻居数量-
选择该选项
order=2将更改我的上例，使其最多查找
4。
>>> print(argrelextrema(data, np.greater_equal,order=2))(array([2, 8]),)
但是，这有一个缺点-让我们再次更改数据：
>>> data = np.array([ 0, 1, 2, 1, 0, 1, 3, 3, 4, 1, 5 ])>>> print(argrelextrema(data, np.greater_equal,order=2))(array([ 2, 10]),)
添加另一个峰作为最后一个值使您无法在处找到峰
4，因为
argrelextrema现在看到的第二个邻居大于
4（对于嘈杂的数据很有用，但不一定在所有情况下都具有预期的行为）。
使用
argrelextrema，您将始终被限制在固定数量的邻居之间进行二进制操作。但是请注意，
argrelextrema以上示例中的所有操作都是
n如果返回`data[n]
data[n-1] and data[n] >
data[n+1]`。您可以轻松地自己实现，然后完善规则，例如在第一个邻居具有相同值的情况下检查第二个邻居。
为了完整起见，似乎有更复杂的功能
scipy.signal，
find_peaks_cwt。但是，我没有使用它的经验，因此无法为您提供更多详细信息。
