标量卡尔曼滤波器（Scalar Kalman Filter）是一种用于估计系统状态的滤波器。下面是一个简单的标量卡尔曼滤波器实现的代码示例：

import numpy as np

def kalman_filter(measurements):
    # 初始化系统状态变量
    x_hat = 0
    P = 1

    # 系统模型参数
    dt = 1
    A = 1
    Q = 0.1

    # 测量模型参数
    H = 1
    R = 1

    # 保存滤波结果的数组
    filtered_measurements = []

    for z in measurements:
        # 预测步骤
        x_hat_minus = A * x_hat
        P_minus = A * P * A + Q

        # 更新步骤
        K = P_minus * H / (H * P_minus * H + R)
        x_hat = x_hat_minus + K * (z - H * x_hat_minus)
        P = (1 - K * H) * P_minus

        # 保存滤波结果
        filtered_measurements.append(x_hat)

    return filtered_measurements

# 测试数据
measurements = [1, 2, 3, 4, 5]

# 执行滤波
filtered_measurements = kalman_filter(measurements)

# 打印结果
print(filtered_measurements)

在上述代码中，我们首先定义了一个kalman_filter函数，它接受一个测量值列表作为输入，并返回滤波后的结果列表。函数中实现了标量卡尔曼滤波器的预测和更新步骤。然后，我们定义了一个测试数据measurements，并调用kalman_filter函数进行滤波。最后，我们打印滤波结果。

需要注意的是，上述代码只是一个简单的标量卡尔曼滤波器实现示例，并没有考虑到更复杂的情况，如非线性系统模型或非高斯噪声。在实际应用中，可能需要根据具体情况进行一些调整和改进。