Wykreślanie szybkiej transformaty Fouriera w Pythonie

99

Mam dostęp do NumPy i SciPy i chcę stworzyć prosty FFT zestawu danych. Mam dwie listy, jedną z ywartościami, a drugą z sygnaturami czasowymi tych ywartości.

Jaki jest najprostszy sposób wprowadzenia tych list do metody SciPy lub NumPy i wykreślenia wynikowego FFT?

Sprawdziłem przykłady, ale wszystkie polegają na utworzeniu zestawu fałszywych danych z pewną liczbą punktów danych, częstotliwością itp. I tak naprawdę nie pokazują, jak to zrobić, mając tylko zestaw danych i odpowiadające im znaczniki czasu .

Wypróbowałem następujący przykład:

from scipy.fftpack import fft

# Number of samplepoints
N = 600

# Sample spacing
T = 1.0 / 800.0
x = np.linspace(0.0, N*T, N)
y = np.sin(50.0 * 2.0*np.pi*x) + 0.5*np.sin(80.0 * 2.0*np.pi*x)
yf = fft(y)
xf = np.linspace(0.0, 1.0/(2.0*T), N/2)
import matplotlib.pyplot as plt
plt.plot(xf, 2.0/N * np.abs(yf[0:N/2]))
plt.grid()
plt.show()

Ale kiedy zmieniam argument z fftna mój zestaw danych i wykreślam go, otrzymuję bardzo dziwne wyniki i wydaje się, że skalowanie częstotliwości może być wyłączone. Nie jestem pewien.

Oto zestawienie danych, które próbuję wykonać w FFT

http://pastebin.com/0WhjjMkb http://pastebin.com/ksM4FvZS

Kiedy używam fft()całości, ma po prostu ogromny skok na zero i nic więcej.

Oto mój kod:

## Perform FFT with SciPy
signalFFT = fft(yInterp)

## Get power spectral density
signalPSD = np.abs(signalFFT) ** 2

## Get frequencies corresponding to signal PSD
fftFreq = fftfreq(len(signalPSD), spacing)

## Get positive half of frequencies
i = fftfreq>0

##
plt.figurefigsize = (8, 4));
plt.plot(fftFreq[i], 10*np.log10(signalPSD[i]));
#plt.xlim(0, 100);
plt.xlabel('Frequency [Hz]');
plt.ylabel('PSD [dB]')

Rozstaw jest po prostu równy xInterp[1]-xInterp[0].

user3123955
źródło
pokaż nam, czego próbowałeś, dlaczego się nie udało i przykłady, na których pracujesz.
Paul H
zamieściłem przykład, który wypróbowałem, a także to, co o nim pomyślałem, myślę, że jestem po prostu zdezorientowany, jak poprawnie wykreślić wynik.
user3123955
to świetny przykład, ale na czym dokładnie polega problem? ten kod działa świetnie dla mnie. czy fabuła po prostu się nie pojawia?
Paul H,
a mianowicie jakiego rodzaju argumentów używasz (musimy zobaczyć przynajmniej część twoich danych)
Paul H
Dodałem pastebin osi xiy, dane x są w sekundach, a dane y to tylko odczyt czujnika. Kiedy umieszczam te listy danych w przykładzie
fft,

Odpowiedzi:

103

Więc uruchamiam funkcjonalnie równoważną formę twojego kodu w notatniku IPython:

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
import scipy.fftpack

# Number of samplepoints
N = 600
# sample spacing
T = 1.0 / 800.0
x = np.linspace(0.0, N*T, N)
y = np.sin(50.0 * 2.0*np.pi*x) + 0.5*np.sin(80.0 * 2.0*np.pi*x)
yf = scipy.fftpack.fft(y)
xf = np.linspace(0.0, 1.0/(2.0*T), N/2)

fig, ax = plt.subplots()
ax.plot(xf, 2.0/N * np.abs(yf[:N//2]))
plt.show()

Mam to, co uważam za bardzo rozsądną produkcję.

wprowadź opis obrazu tutaj

Minęło więcej czasu, niż chciałbym się przyznać, odkąd studiowałem inżynierię, myśląc o przetwarzaniu sygnału, ale skoki na poziomie 50 i 80 są dokładnie tym, czego bym się spodziewał. Więc o co chodzi?

W odpowiedzi na zamieszczone surowe dane i komentarze

Problem polega na tym, że nie masz okresowych danych. Zawsze należy sprawdzać dane, które wprowadzasz do dowolnego algorytmu, aby upewnić się, że są one odpowiednie.

import pandas
import matplotlib.pyplot as plt
#import seaborn
%matplotlib inline

# the OP's data
x = pandas.read_csv('http://pastebin.com/raw.php?i=ksM4FvZS', skiprows=2, header=None).values
y = pandas.read_csv('http://pastebin.com/raw.php?i=0WhjjMkb', skiprows=2, header=None).values
fig, ax = plt.subplots()
ax.plot(x, y)

wprowadź opis obrazu tutaj

Paul H.
źródło
1
Nie chodzi o to, że przykład jest błędny, tylko że nie wiem, jak to wziąć i zastosować do moich danych.
user3123955
1
@ user3123955, racja. dlatego musimy zobaczyć Twoje dane i zobaczyć, jak zawodzą, jeśli zamierzasz Ci pomóc.
Paul H
Dodałem pastebin
user3123955
2
@ user3123955, więc czego oczekujesz od algorytmu FFT? musisz wyczyścić swoje dane.
Paul H
6
@PaulH nie powinien amplitudę przy częstotliwości 50 Hzbyć 1i przy częstotliwości 80 Hzbyć 0.5?
Furqan Hashim
25

Ważną rzeczą w fft jest to, że można go zastosować tylko do danych, w których znacznik czasu jest jednolity ( tj. Jednolite próbkowanie w czasie, tak jak pokazano powyżej).

W przypadku nierównomiernego pobierania próbek należy użyć funkcji dopasowania danych. Do wyboru jest kilka samouczków i funkcji:

https://github.com/tiagopereira/python_tips/wiki/Scipy%3A-curve-fitting http://docs.scipy.org/doc/numpy/reference/generated/numpy.polyfit.html

Jeśli dopasowanie nie jest opcją, możesz bezpośrednio użyć jakiejś formy interpolacji do interpolacji danych do jednolitego próbkowania:

https://docs.scipy.org/doc/scipy-0.14.0/reference/tutorial/interpolate.html

Gdy masz jednolite próbki, będziesz musiał się tylko martwić o deltę czasu ( t[1] - t[0]) swoich próbek. W takim przypadku możesz bezpośrednio skorzystać z funkcji fft

Y    = numpy.fft.fft(y)
freq = numpy.fft.fftfreq(len(y), t[1] - t[0])

pylab.figure()
pylab.plot( freq, numpy.abs(Y) )
pylab.figure()
pylab.plot(freq, numpy.angle(Y) )
pylab.show()

To powinno rozwiązać twój problem.

ssm
źródło
3
Moje dane zostały interpolowane dla równych odstępów. Czy możesz mi powiedzieć dokładnie, co robi fftfreq? dlaczego potrzebuje mojej osi X? dlaczego wykreślasz abs Y i kąt? Czy kąt jest fazą? Jaka jest faza w stosunku do? Kiedy robię to z moimi danymi, ma po prostu gigantyczny szczyt przy 0 Hz i bardzo szybko się kończy, ale dostarczam dane, które nie mają stałego przesunięcia (robię duże pasmo na danych z krawędziami od 0,15 GHz do 12 Hz aby pozbyć się stałego przesunięcia, moje dane i tak nie powinny być większe niż 4 Hz, więc pasmo powinno sprawić, że stracę informacje).
user3123955
3
1. fftfreqpodaje składowe częstotliwości odpowiadające Twoim danym. Jeśli wykreślisz freq, zobaczysz, że oś X nie jest funkcją, która stale rośnie. Będziesz musiał upewnić się, że masz odpowiednie składowe częstotliwości na osi X. Możesz zajrzeć do instrukcji: docs.scipy.org/doc/numpy/reference/generated/ ...
ssm
3
2. Większość ludzi chciałaby przyjrzeć się rozmiarowi i fazie kradzieży. Trudno w jednym zdaniu wyjaśnić, co powiedzą informacje o fazie, ale mogę tylko powiedzieć, że ma to znaczenie, gdy łączymy sygnały. Kiedy łączysz sygnały o tej samej częstotliwości, które są w fazie, wzmacniają się, podczas gdy są poza fazą o 180 stopni, osłabiają. Staje się to ważne, gdy projektujesz wzmacniacze lub coś, co ma sprzężenie zwrotne.
ssm
3
3. Generalnie, twoja najniższa częstotliwość będzie miała praktycznie zerową fazę i jest to odniesienie do tego. Kiedy sygnały przechodzą przez system, każda częstotliwość porusza się z inną prędkością. To jest prędkość fazowa. Wykres faz dostarcza tych informacji. Nie wiem, z czym pracujesz, więc nie mogę dać ci jednoznacznej odpowiedzi. W przypadku takich pytań lepiej poczytać o sterowaniu sprzężeniem zwrotnym, elektronice analogowej, przetwarzaniu sygnałów cyfrowych, teorii pola elektromagnetycznego itp. Lub czymś bardziej specyficznym dla twojego systemu.
ssm
4
4. Zamiast używać swoich danych, dlaczego nie można uruchomić poprzez generowanie własnych sygnałów: t = linspace(0, 10, 1000); ys = [ (1.0/i)*sin(i*t) for i in arange(10)]; y = reduce(lambda m, n: m+n, ys). Następnie wykreśl wszystkie ysi sumy yi uzyskaj fft każdego składnika. Zyskasz pewność siebie dzięki programowaniu. Następnie możesz ocenić autentyczność swojego wyniku. Jeśli sygnał, który próbujesz przeanalizować, jest pierwszym, który kiedykolwiek odebrałeś, zawsze będziesz czuł, że robisz coś nie tak ...
ssm
12

Wysoki skok, który masz, wynika z części DC (niezmiennej, tj. Freq = 0) sygnału. To kwestia skali. Jeśli chcesz zobaczyć zawartość częstotliwości innej niż DC, w celu wizualizacji może być konieczne wykreślenie od przesunięcia 1, a nie od przesunięcia 0 FFT sygnału.

Modyfikacja podanego powyżej przykładu przez @PaulH

import numpy as np
import matplotlib.pyplot as plt
import scipy.fftpack

# Number of samplepoints
N = 600
# sample spacing
T = 1.0 / 800.0
x = np.linspace(0.0, N*T, N)
y = 10 + np.sin(50.0 * 2.0*np.pi*x) + 0.5*np.sin(80.0 * 2.0*np.pi*x)
yf = scipy.fftpack.fft(y)
xf = np.linspace(0.0, 1.0/(2.0*T), N/2)

plt.subplot(2, 1, 1)
plt.plot(xf, 2.0/N * np.abs(yf[0:N/2]))
plt.subplot(2, 1, 2)
plt.plot(xf[1:], 2.0/N * np.abs(yf[0:N/2])[1:])

Wykresy wyjściowe: Wykreślanie sygnału FFT za pomocą DC, a następnie przy jego usuwaniu (pomijanie częstotliwości = 0)

Innym sposobem jest wizualizacja danych w skali log:

Za pomocą:

plt.semilogy(xf, 2.0/N * np.abs(yf[0:N/2]))

Pokaże: wprowadź opis obrazu tutaj

hesham_EE
źródło
Tak, jest w Hz. W kodzie definicja xfodwzorowuje przedziały fft na częstotliwości.
hesham_EE
1
Miły! A co z osią y? Amplituda? Dziękuję bardzo hesham_EE
Victor Aguiar
Tak, oś Y jest wartością bezwzględną zespolonej fft. Zwróć uwagę na użycienp.abs()
hesham_EE
8

W ramach uzupełnienia już udzielonych odpowiedzi, chciałbym zwrócić uwagę, że często ważne jest, aby bawić się rozmiarem pojemników FFT. Warto przetestować kilka wartości i wybrać tę, która ma większy sens w przypadku Twojej aplikacji. Często jest to ta sama wielkość, co liczba próbek. Tak było w przypadku większości udzielonych odpowiedzi i daje świetne i rozsądne wyniki. Na wypadek, gdyby ktoś chciał to zbadać, oto moja wersja kodu:

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
import scipy.fftpack

fig = plt.figure(figsize=[14,4])
N = 600           # Number of samplepoints
Fs = 800.0
T = 1.0 / Fs      # N_samps*T (#samples x sample period) is the sample spacing.
N_fft = 80        # Number of bins (chooses granularity)
x = np.linspace(0, N*T, N)     # the interval
y = np.sin(50.0 * 2.0*np.pi*x) + 0.5*np.sin(80.0 * 2.0*np.pi*x)   # the signal

# removing the mean of the signal
mean_removed = np.ones_like(y)*np.mean(y)
y = y - mean_removed

# Compute the fft.
yf = scipy.fftpack.fft(y,n=N_fft)
xf = np.arange(0,Fs,Fs/N_fft)

##### Plot the fft #####
ax = plt.subplot(121)
pt, = ax.plot(xf,np.abs(yf), lw=2.0, c='b')
p = plt.Rectangle((Fs/2, 0), Fs/2, ax.get_ylim()[1], facecolor="grey", fill=True, alpha=0.75, hatch="/", zorder=3)
ax.add_patch(p)
ax.set_xlim((ax.get_xlim()[0],Fs))
ax.set_title('FFT', fontsize= 16, fontweight="bold")
ax.set_ylabel('FFT magnitude (power)')
ax.set_xlabel('Frequency (Hz)')
plt.legend((p,), ('mirrowed',))
ax.grid()

##### Close up on the graph of fft#######
# This is the same histogram above, but truncated at the max frequence + an offset. 
offset = 1    # just to help the visualization. Nothing important.
ax2 = fig.add_subplot(122)
ax2.plot(xf,np.abs(yf), lw=2.0, c='b')
ax2.set_xticks(xf)
ax2.set_xlim(-1,int(Fs/6)+offset)
ax2.set_title('FFT close-up', fontsize= 16, fontweight="bold")
ax2.set_ylabel('FFT magnitude (power) - log')
ax2.set_xlabel('Frequency (Hz)')
ax2.hold(True)
ax2.grid()

plt.yscale('log')

wykresy wyjściowe: wprowadź opis obrazu tutaj

ewerlopy
źródło
6

Zbudowałem funkcję, która zajmuje się wykreślaniem FFT rzeczywistych sygnałów. Dodatkową zaletą mojej funkcji w stosunku do poprzednich odpowiedzi jest to, że otrzymujesz rzeczywistą amplitudę sygnału.

Ponadto, ze względu na założenie rzeczywistego sygnału, FFT jest symetryczny, więc możemy wykreślić tylko dodatnią stronę osi x:

import matplotlib.pyplot as plt
import numpy as np
import warnings


def fftPlot(sig, dt=None, plot=True):
    # Here it's assumes analytic signal (real signal...) - so only half of the axis is required

    if dt is None:
        dt = 1
        t = np.arange(0, sig.shape[-1])
        xLabel = 'samples'
    else:
        t = np.arange(0, sig.shape[-1]) * dt
        xLabel = 'freq [Hz]'

    if sig.shape[0] % 2 != 0:
        warnings.warn("signal preferred to be even in size, autoFixing it...")
        t = t[0:-1]
        sig = sig[0:-1]

    sigFFT = np.fft.fft(sig) / t.shape[0]  # Divided by size t for coherent magnitude

    freq = np.fft.fftfreq(t.shape[0], d=dt)

    # Plot analytic signal - right half of frequence axis needed only...
    firstNegInd = np.argmax(freq < 0)
    freqAxisPos = freq[0:firstNegInd]
    sigFFTPos = 2 * sigFFT[0:firstNegInd]  # *2 because of magnitude of analytic signal

    if plot:
        plt.figure()
        plt.plot(freqAxisPos, np.abs(sigFFTPos))
        plt.xlabel(xLabel)
        plt.ylabel('mag')
        plt.title('Analytic FFT plot')
        plt.show()

    return sigFFTPos, freqAxisPos


if __name__ == "__main__":
    dt = 1 / 1000

    # Build a signal within Nyquist - the result will be the positive FFT with actual magnitude
    f0 = 200  # [Hz]
    t = np.arange(0, 1 + dt, dt)
    sig = 1 * np.sin(2 * np.pi * f0 * t) + \
        10 * np.sin(2 * np.pi * f0 / 2 * t) + \
        3 * np.sin(2 * np.pi * f0 / 4 * t) +\
        7.5 * np.sin(2 * np.pi * f0 / 5 * t)

    # Result in frequencies
    fftPlot(sig, dt=dt)
    # Result in samples (if the frequencies axis is unknown)
    fftPlot(sig)

Wynik wykresu analitycznego FFT

YoniChechik
źródło
5

Na tej stronie są już świetne rozwiązania, ale wszyscy założyli, że zbiór danych jest równomiernie / równomiernie próbkowany / dystrybuowany. Postaram się podać bardziej ogólny przykład losowo próbkowanych danych. Jako przykładu użyję również tego samouczka MATLAB :

Dodawanie wymaganych modułów:

import numpy as np
import matplotlib.pyplot as plt
import scipy.fftpack
import scipy.signal

Generowanie przykładowych danych:

N = 600 # Number of samples
t = np.random.uniform(0.0, 1.0, N) # Assuming the time start is 0.0 and time end is 1.0
S = 1.0 * np.sin(50.0 * 2 * np.pi * t) + 0.5 * np.sin(80.0 * 2 * np.pi * t)
X = S + 0.01 * np.random.randn(N) # Adding noise

Sortowanie zbioru danych:

order = np.argsort(t)
ts = np.array(t)[order]
Xs = np.array(X)[order]

Ponowne próbkowanie:

T = (t.max() - t.min()) / N # Average period
Fs = 1 / T # Average sample rate frequency
f = Fs * np.arange(0, N // 2 + 1) / N; # Resampled frequency vector
X_new, t_new = scipy.signal.resample(Xs, N, ts)

Wykreślanie danych i ponowne próbkowanie danych:

plt.xlim(0, 0.1)
plt.plot(t_new, X_new, label="resampled")
plt.plot(ts, Xs, label="org")
plt.legend()
plt.ylabel("X")
plt.xlabel("t")

Tutaj wprowadź opis obrazu

Teraz obliczając FFT:

Y = scipy.fftpack.fft(X_new)
P2 = np.abs(Y / N)
P1 = P2[0 : N // 2 + 1]
P1[1 : -2] = 2 * P1[1 : -2]

plt.ylabel("Y")
plt.xlabel("f")
plt.plot(f, P1)

Tutaj wprowadź opis obrazu

PS W końcu miałem czas na zaimplementowanie bardziej kanonicznego algorytmu, aby uzyskać transformację Fouriera nierównomiernie rozłożonych danych. Możesz zobaczyć kod, opis i przykładowy notatnik Jupyter tutaj .

Foad
źródło
Nie widzę niczego w dokumentach, co sugeruje resampleobsługę niejednorodnych czasów próbkowania. Akceptuje parametr czasu (który nie jest używany w przykładzie), ale wydaje się, że zakłada również jednolite czasy próbkowania.
user2699,
@ user2699 ten przykład może pomóc
Foad
2
„scipy.signal.resample” wykorzystuje metodę FFT do ponownego próbkowania danych. Nie ma sensu używać go do ponownego próbkowania niejednorodnych danych w celu uzyskania jednolitego FFT.
user2699,
1
@ user2699 Wygląda na to, że byłem tu zbyt naiwny. Istnieje już kilka bibliotek dostępne: 1. NFFT biblioteka, która wydaje się być otoki wokół NFFT 2. pyNFFT i 3. PyNUFFT
FOAD
2
Wszystkie podane przez Ciebie metody mają swoje zalety i wady (chociaż pamiętaj, że sklearn.utils.resamplenie wykonuje interpolacji). Jeśli chcesz omówić dostępne opcje wyszukiwania częstotliwości nieregularnie próbkowanego sygnału lub zalety różnych typów interpolacji, zacznij od kolejnego pytania. Oba są interesującymi tematami, ale znacznie wykraczają poza zakres odpowiedzi na temat wykreślania FFT.
user2699
4

Piszę tę dodatkową odpowiedź, aby wyjaśnić pochodzenie dyfuzji skoków podczas korzystania z FFT, a zwłaszcza omówić samouczek scipy.fftpack, z którym w pewnym momencie się nie zgadzam.

W tym przykładzie czas nagrywania tmax=N*T=0.75. Sygnał jest sin(50*2*pi*x) + 0.5*sin(80*2*pi*x). Sygnał częstotliwości powinien zawierać dwa skoki o częstotliwościach 50i 80amplitudach 1i 0.5. Jeśli jednak analizowany sygnał nie ma całkowitej liczby okresów, może wystąpić dyfuzja z powodu obcięcia sygnału:

  • Pik 1: 50*tmax=37.5=> częstotliwość 50nie jest wielokrotnością 1/tmax=> Obecność dyfuzji z powodu obcięcia sygnału na tej częstotliwości.
  • Pik 2: 80*tmax=60=> częstotliwość 80jest wielokrotnością 1/tmax=> Brak dyfuzji z powodu obcięcia sygnału na tej częstotliwości.

Oto kod analizujący ten sam sygnał co w tutorialu ( sin(50*2*pi*x) + 0.5*sin(80*2*pi*x)), ale z niewielkimi różnicami:

  1. Oryginalny przykład scipy.fftpack.
  2. Oryginalny przykład scipy.fftpack z całkowitą liczbą okresów sygnału ( tmax=1.0zamiast w 0.75celu uniknięcia dyfuzji obcięcia).
  3. Oryginalny przykład scipy.fftpack z całkowitą liczbą okresów sygnału oraz datami i częstotliwościami zaczerpniętymi z teorii FFT.

Kod:

import numpy as np
import matplotlib.pyplot as plt
import scipy.fftpack

# 1. Linspace
N = 600
# Sample spacing
tmax = 3/4
T = tmax / N # =1.0 / 800.0
x1 = np.linspace(0.0, N*T, N)
y1 = np.sin(50.0 * 2.0*np.pi*x1) + 0.5*np.sin(80.0 * 2.0*np.pi*x1)
yf1 = scipy.fftpack.fft(y1)
xf1 = np.linspace(0.0, 1.0/(2.0*T), N//2)

# 2. Integer number of periods
tmax = 1
T = tmax / N # Sample spacing
x2 = np.linspace(0.0, N*T, N)
y2 = np.sin(50.0 * 2.0*np.pi*x2) + 0.5*np.sin(80.0 * 2.0*np.pi*x2)
yf2 = scipy.fftpack.fft(y2)
xf2 = np.linspace(0.0, 1.0/(2.0*T), N//2)

# 3. Correct positioning of dates relatively to FFT theory ('arange' instead of 'linspace')
tmax = 1
T = tmax / N # Sample spacing
x3 = T * np.arange(N)
y3 = np.sin(50.0 * 2.0*np.pi*x3) + 0.5*np.sin(80.0 * 2.0*np.pi*x3)
yf3 = scipy.fftpack.fft(y3)
xf3 = 1/(N*T) * np.arange(N)[:N//2]

fig, ax = plt.subplots()
# Plotting only the left part of the spectrum to not show aliasing
ax.plot(xf1, 2.0/N * np.abs(yf1[:N//2]), label='fftpack tutorial')
ax.plot(xf2, 2.0/N * np.abs(yf2[:N//2]), label='Integer number of periods')
ax.plot(xf3, 2.0/N * np.abs(yf3[:N//2]), label='Correct positioning of dates')
plt.legend()
plt.grid()
plt.show()

Wynik:

Jak to może być tutaj, nawet przy użyciu całkowitej liczby okresów nadal istnieje pewne rozproszenie. To zachowanie jest spowodowane złym ustawieniem dat i częstotliwości w samouczku scipy.fftpack. Stąd w teorii dyskretnych przekształceń Fouriera:

  • sygnał należy oceniać w datach, w t=0,T,...,(N-1)*Tktórych T oznacza okres próbkowania, a całkowity czas trwania sygnału wynosi tmax=N*T. Zauważ, że zatrzymujemy się na tmax-T.
  • powiązane częstotliwości to f=0,df,...,(N-1)*dfgdzie df=1/tmax=1/(N*T)jest częstotliwość próbkowania. Wszystkie harmoniczne sygnału powinny być wielokrotnością częstotliwości próbkowania, aby uniknąć dyfuzji.

W powyższym przykładzie widać, że użycie arangezamiast linspacepozwala uniknąć dodatkowej dyfuzji w widmie częstotliwości. Co więcej, używanie tej linspacewersji prowadzi również do przesunięcia kolców, które znajdują się na nieco wyższych częstotliwościach niż powinny, jak widać na pierwszym zdjęciu, gdzie kolce znajdują się trochę po prawej stronie częstotliwości 50i 80.

Wnioskuję tylko, że przykład użycia należy zastąpić następującym kodem (który moim zdaniem jest mniej mylący):

import numpy as np
from scipy.fftpack import fft

# Number of sample points
N = 600
T = 1.0 / 800.0
x = T*np.arange(N)
y = np.sin(50.0 * 2.0*np.pi*x) + 0.5*np.sin(80.0 * 2.0*np.pi*x)
yf = fft(y)
xf = 1/(N*T)*np.arange(N//2)
import matplotlib.pyplot as plt
plt.plot(xf, 2.0/N * np.abs(yf[0:N//2]))
plt.grid()
plt.show()

Wyjście (drugi skok nie jest już rozproszony):

Myślę, że ta odpowiedź nadal przynosi dodatkowe wyjaśnienia dotyczące prawidłowego stosowania dyskretnej transformaty Fouriera. Oczywiście, moja odpowiedź jest zbyt długa i nie zawsze jest więcej rzeczy do powiedzenia ( ewerlopes rozmawiałem krótko o aliasing na przykład i wiele można powiedzieć o okienkowy ), więc będę się zatrzymać.

Myślę, że bardzo ważne jest, aby dogłębnie zrozumieć zasady dyskretnej transformaty Fouriera podczas jej stosowania, ponieważ wszyscy wiemy, że tak wiele osób dodaje czynniki tu i tam, stosując ją, aby uzyskać to, czego chcą.

bousof
źródło