NumPy中的numpy.fft模块用于计算快速傅里叶变换，可将信号从时域转换到频域以分析频率成分。1. 一维FFT使用numpy.fft.fft对一维数组进行变换，返回复数数组，结合np.fft.fftfreq生成频率轴，利用np.abs获取幅度谱，常用于音频、振动等周期性信号分析。
NumPy中的numpy.fft模块用于计算快速傅里叶变换（FFT），可以将信号从时域转换到频域。使用它可以帮助你分析信号的频率成分，比如音频、振动或周期性数据。
1. 一维FFT：numpy.fft.fft
最基本的用法是numpy.fft.fft，对一维数组进行傅里叶变换。
示例：
import numpy as np import matplotlib.pyplot as plt生成一个含两个频率成分的信号
t = np.linspace(0, 2, 500) signal = np.sin(2 np.pi 5 t) + 0.5 np.sin(2 np.pi 10 * t)
计算FFT
fft_result = np.fft.fft(signal) freqs = np.fft.fftfreq(len(t), d=t[1] - t[0]) # 获取对应频率
只画正频率部分
plt.plot(freqs[:len(freqs)//2], np.abs(fft_result[:len(freqs)//2])) plt.xlabel('Frequency (Hz)') plt.ylabel('Amplitude') plt.show()
说明：
- np.fft.fft 返回复数数组，包含幅度和相位信息。
- np.fft.fftfreq 生成对应的频率数组，需要采样间隔d。
- 使用np.abs()获取幅度谱。
2. 频率轴的正确生成
要理解FFT结果的频率分布，必须使用np.fft.fftfreq。
立即学习“Python免费学习笔记（深入）”；
-
d是采样时间间隔，例如每0.004秒采一次，则d=0.004。
3. 逆FFT：numpy.fft.ifft
如果想从频域回到时域，使用ifft。
recovered = np.fft.ifft(fft_result) print(np.allclose(signal, recovered.real)) # 应输出True
注意逆变换返回复数，实部才是原始信号。
4. 实数信号优化：rfft
如果输入是实数信号（大多数情况），用np.fft.rfft更高效，只返回非负频率部分。
rfft_result = np.fft.rfft(signal) r_freqs = np.fft.rfftfreq(len(t), d=t[1]-t[0]) plt.plot(r_freqs, np.abs(rfft_result)) plt.show()
节省内存且避免负频率冗余。
基本上就这些。核心是fft、fftfreq、ifft和针对实数的rfft/rfftfreq。关键是理解频率轴怎么对应，以及幅度如何解读。不复杂但容易忽略细节。
