这里做一下记录,关于FFT就不做介绍了,直接贴上代码,有详细注释的了:
import numpy as np from scipy.fftpack import fft,ifft import matplotlib.pyplot as plt import seaborn #采样点选择1400个,因为设置的信号频率分量最高为600赫兹,根据采样定理知采样频率要大于信号频率2倍,所以这里设置采样频率为1400赫兹(即一秒内有1400个采样点,一样意思的) x=np.linspace(0,1,1400) #设置需要采样的信号,频率分量有180,390和600 y=7*np.sin(2*np.pi*180*x) + 2.8*np.sin(2*np.pi*390*x)+5.1*np.sin(2*np.pi*600*x) yy=fft(y) #快速傅里叶变换 yreal = yy.real # 获取实数部分 yimag = yy.imag # 获取虚数部分 yf=abs(fft(y)) # 取绝对值 yf1=abs(fft(y))/len(x) #归一化处理 yf2 = yf1[range(int(len(x)/2))] #由于对称性,只取一半区间 xf = np.arange(len(y)) # 频率 xf1 = xf xf2 = xf[range(int(len(x)/2))] #取一半区间 plt.subplot(221) plt.plot(x[0:50],y[0:50]) plt.title('Original wave') plt.subplot(222) plt.plot(xf,yf,'r') plt.title('FFT of Mixed wave(two sides frequency range)',fontsize=7,color='#7A378B') #注意这里的颜色可以查询颜色代码表 plt.subplot(223) plt.plot(xf1,yf1,'g') plt.title('FFT of Mixed wave(normalization)',fontsize=9,color='r') plt.subplot(224) plt.plot(xf2,yf2,'b') plt.title('FFT of Mixed wave)',fontsize=10,color='#F08080') plt.show()
结果:
2017/7/11更新
再添加一个简单的例子
# -*- coding: utf-8 -*- import matplotlib.pyplot as plt import numpy as np import seaborn Fs = 150.0; # sampling rate采样率 Ts = 1.0/Fs; # sampling interval 采样区间 t = np.arange(0,1,Ts) # time vector,这里Ts也是步长 ff = 25; # frequency of the signal y = np.sin(2*np.pi*ff*t) n = len(y) # length of the signal k = np.arange(n) T = n/Fs frq = k/T # two sides frequency range frq1 = frq[range(int(n/2))] # one side frequency range YY = np.fft.fft(y) # 未归一化 Y = np.fft.fft(y)/n # fft computing and normalization 归一化 Y1 = Y[range(int(n/2))] fig, ax = plt.subplots(4, 1) ax[0].plot(t,y) ax[0].set_xlabel('Time') ax[0].set_ylabel('Amplitude') ax[1].plot(frq,abs(YY),'r') # plotting the spectrum ax[1].set_xlabel('Freq (Hz)') ax[1].set_ylabel('|Y(freq)|') ax[2].plot(frq,abs(Y),'G') # plotting the spectrum ax[2].set_xlabel('Freq (Hz)') ax[2].set_ylabel('|Y(freq)|') ax[3].plot(frq1,abs(Y1),'B') # plotting the spectrum ax[3].set_xlabel('Freq (Hz)') ax[3].set_ylabel('|Y(freq)|') plt.show()
Python实现快速傅里叶变换(FFT)介绍到这里,更多Python学习 请参考编程字典Python教程和问答部分,谢谢大家对编程字典的支持。
原文链接:https://blog.csdn.net/ouening/article/details/71079535?ops_request_misc=&request_id=&biz_id=102&utm_term=python&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3-71079535.nonecase&spm=1018.2226.3001.4187