python傅里叶变换FFT绘制频谱图


Posted in Python onJuly 19, 2019

本文实例为大家分享了python傅里叶变换FFT绘制频谱图的具体代码,供大家参考,具体内容如下

频谱图的横轴表示的是 频率, 纵轴表示的是振幅

#coding=gbk
 
import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
 
#依据快速傅里叶算法得到信号的频域
def test_fft():
 sampling_rate = 8000 #采样率
 fft_size = 8000  #FFT长度
 t = np.arange(0, 1.0, 1.0/sampling_rate)
 x = np.sin(2*np.pi*156.25*t) + 2*np.sin(2*np.pi*234.375*t)+ 3*np.sin(2*np.pi*200*t)
 xs = x[:fft_size]
 
 xf = np.fft.rfft(xs) / fft_size #返回fft_size/2+1 个频率
 
 freqs = np.linspace(0, sampling_rate/2, fft_size/2+1) #表示频率
 xfp = np.abs(xf) * 2 #代表信号的幅值,即振幅
 
 plt.figure(num='original', figsize=(15, 6))
 plt.plot(x[:100])
 
 plt.figure(figsize=(8,4))
 plt.subplot(211)
 plt.plot(t[:fft_size], xs)
 plt.xlabel(u"时间(秒)", fontproperties='FangSong')
 plt.title(u"156.25Hz和234.375Hz的波形和频谱", fontproperties='FangSong')
 
 plt.subplot(212)
 plt.plot(freqs, xfp)
 plt.xlabel(u"频率(Hz)", fontproperties='FangSong')
 plt.ylabel(u'幅值', fontproperties='FangSong')
 plt.subplots_adjust(hspace=0.4)
 plt.show()
 
test_fft()
# np.clip(a, a_min, a_max, out) 输出与a 的shape一样,大于等于a_min,小于等于a_max的数,即在 [a_min, a_max]之间的数
a = np.arange(10)
print(a)
print(a.shape)
# [0 1 2 3 4 5 6 7 8 9]
b = np.empty((10,))
np.clip(a, 3, 8, out=b)
print(b)
# [3. 3. 3. 3. 4. 5. 6. 7. 8. 8.]
c = np.clip(a, 4, 10)
print(c)
# [4 4 4 4 4 5 6 7 8 9]
#a_min, a_max也可以输入与a 相同shape的数组
d = np.arange(4)
d1 = np.clip(d, [-1, 1, -3, 2], 2)
print(d)
print(d1)
# [0 1 2 3] #原数组
# [0 1 2 2] 
 
print(np.log10(1000))
 
def test_fft():
# FFT变换是针对一组数值进行运算的,这组数的长度N必须是2的整数次幂,例如64, 128, 256等等; 数值可以是实数也可以是复数,
# 通常我们的时域信号都是实数,因此下面都以实数为例。我们可以把这一组实数想像成对某个连续信号按照一定取样周期进行取样而得来,
# 如果对这组N个实数值进行FFT变换,将得到一个有N个复数的数组,我们称此复数数组为频域信号,此复数数组符合如下规律:
# 
# 下标为0和N/2的两个复数的虚数部分为0,
# 下标为i和N-i的两个复数共轭,也就是其虚数部分数值相同、符号相反。
 np.random.seed(66)
 X = np.random.rand(8)
 print(X)
#  [0.15428758 0.13369956 0.36268547 0.67910888 0.19445006 0.25121038
# 0.75841639 0.55761859]
 xf = np.fft.fft(X)
 print(xf)
#  [ 3.0914769 +0.j   -0.20916178+0.39291702j -0.77236422+0.85181752j
#  0.12883683-0.39854483j -0.15179792+0.j   0.12883683+0.39854483j
#  -0.77236422-0.85181752j -0.20916178-0.39291702j]
 #通过快速傅里叶变换的逆变换 ifft 还原成原来的值
 X1 = np.fft.ifft(xf)
 print(X1)
# [0.15428758+0.00000000e+00j 0.13369956-2.00387919e-16j
# 0.36268547+1.66533454e-16j 0.67910888+1.51815661e-16j
# 0.19445006+0.00000000e+00j 0.25121038-1.51815661e-16j
# 0.75841639-1.66533454e-16j 0.55761859+2.00387919e-16j] 
 
# 下面让我们来看看FFT变换之后的那些复数都代表什么意思。
# 
# 首先下标为0的实数表示了时域信号中的直流成分的多少
# 下标为i的复数a+b*j表示时域信号中周期为N/i个取样值的正弦波和余弦波的成分的多少, 其中a表示cos波形的成分,b表示sin波形的成分 
 X = np.ones(8)
 x2 = np.fft.fft(X) / len(X) # 为了计算各个成分的能量多少,需要将FFT的结果除以FFT的长度
 print(x2) 
# [1.+0.j 0.+0.j 0.+0.j 0.+0.j 0.+0.j 0.+0.j 0.+0.j 0.+0.j]
 
 X = np.arange(0, 2*np.pi, 2*np.pi/8)
 y = np.sin(X)
 x3 = np.fft.fft(y) /len(y)
 print(x3)
# [ 1.43029718e-18+0.00000000e+00j -4.44089210e-16-5.00000000e-01j # 只有下标为 1 的复数的虚部为-0.5,
# 1.53080850e-17-1.38777878e-17j 3.87727691e-17-1.11022302e-16j
# 2.91858728e-17+0.00000000e+00j 0.00000000e+00-1.11022302e-16j
# 1.53080850e-17+1.38777878e-17j 3.44084101e-16+5.00000000e-01j] 
 output1 = np.fft.fft(np.cos(X) / len(X)) 
 print(output1) 
# [-4.30636606e-17+0.00000000e+00j 5.00000000e-01-2.66538563e-16j #只有下标为1 的实部为 0.5
# 1.53080850e-17+0.00000000e+00j 5.55111512e-17+1.97149624e-16j
# 1.24474906e-17+0.00000000e+00j -1.11022302e-16+2.05306223e-16j
# 1.53080850e-17+0.00000000e+00j 5.00000000e-01-1.35917284e-16j] 
 
 #综合的例子
 X = np.arange(0, 2*np.pi, 2*np.pi/128)
 y = 0.3*np.cos(X) + 0.5*np.cos(2*X+np.pi/4) + 0.8*np.cos(3*X-np.pi/3)
 yf = np.fft.fft(y) / len(y)
 print(2*np.abs(yf[1]), np.rad2deg(np.angle(yf[1])))
#  0.30000000000000016 3.3130777931911615e-15   #计算出幅值和相位角
 print(2*np.abs(yf[2]), np.rad2deg(np.angle(yf[2])))
#  0.5000000000000002 44.999999999999986
 print(2*np.abs(yf[3]), np.rad2deg(np.angle(yf[3])))
#  0.7999999999999998 -60.00000000000007
 
# 周期为128/1.0点的余弦波的相位为0, 振幅为0.3
# 周期为64/2.0点的余弦波的相位为45度, 振幅为0.5
# 周期为128/3.0点的余弦波的相位为-60度,振幅为0.8
# test_fft()
 
#使用多个正玄波合成三角波
import pylab as pl
# 取FFT计算的结果freqs中的前n项进行合成,返回合成结果,计算loops个周期的波形
def fft_combine(freqs, n, loops=1):
 length = len(freqs) * loops
 data = np.zeros(length)
 index = loops * np.arange(0, length, 1.0) / length * (2 * np.pi)
 for k, p in enumerate(freqs[:n]):
  if k != 0: p *= 2 # 除去直流成分之外,其余的系数都*2
  data += np.real(p) * np.cos(k*index) # 余弦成分的系数为实数部
  data -= np.imag(p) * np.sin(k*index) # 正弦成分的系数为负的虚数部
 return index, data 
 
# 产生size点取样的三角波,其周期为1
def triangle_wave(size):
 x = np.arange(0, 1, 1.0/size)
 y = np.where(x<0.5, x, 0)
 y = np.where(x>=0.5, 1-x, y)
 return x, y
 
def test_show():
 fft_size = 256
 
 # 计算三角波和其FFT
 x, y = triangle_wave(fft_size)
 fy = np.fft.fft(y) / fft_size
 
 # 绘制三角波的FFT的前20项的振幅,由于不含下标为偶数的值均为0, 因此取
 # log之后无穷小,无法绘图,用np.clip函数设置数组值的上下限,保证绘图正确
 pl.figure()
 pl.plot(np.clip(20*np.log10(np.abs(fy[:20])), -120, 120), "o")
 pl.xlabel("frequency bin")
 pl.ylabel("power(dB)")
 pl.title("FFT result of triangle wave")
 
 # 绘制原始的三角波和用正弦波逐级合成的结果,使用取样点为x轴坐标
 pl.figure()
 pl.plot(y, label="original triangle", linewidth=2)
 for i in [0,1,3,5,7,9]:
  index, data = fft_combine(fy, i+1, 2) # 计算两个周期的合成波形
  pl.plot(data, label = "N=%s" % i)
 pl.legend()
 pl.title("partial Fourier series of triangle wave")
 pl.show()
 
# test_show()

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python通过PIL获取图片主要颜色并和颜色库进行对比的方法
Mar 19 Python
Pandas实现数据类型转换的一些小技巧汇总
May 07 Python
python2.7和NLTK安装详细教程
Sep 19 Python
python之验证码生成(gvcode与captcha)
Jan 02 Python
Python pip替换为阿里源的方法步骤
Jul 02 Python
Django 外键的使用方法详解
Jul 19 Python
tensorflow如何批量读取图片
Aug 29 Python
Python3搭建http服务器的实现代码
Feb 11 Python
Django 如何使用日期时间选择器规范用户的时间输入示例代码详解
May 22 Python
Python手动或自动协程操作方法解析
Jun 22 Python
python 基于wx实现音乐播放
Nov 24 Python
python抢购软件/插件/脚本附完整源码
Mar 04 Python
Django forms表单 select下拉框的传值实例
Jul 19 #Python
Django组件content-type使用方法详解
Jul 19 #Python
django多个APP的urls设置方法(views重复问题解决)
Jul 19 #Python
django admin组件使用方法详解
Jul 19 #Python
使用python分析统计自己微信朋友的信息
Jul 19 #Python
django url到views参数传递的实例
Jul 19 #Python
Django  ORM 练习题及答案
Jul 19 #Python
You might like
解析百度搜索结果link?url=参数分析 (全)
2012/10/09 PHP
PHP中使用glob函数实现一句话删除某个目录下的所有文件
2014/07/22 PHP
PHP加密解密类实例分析
2015/04/20 PHP
Discuz! 6.1_jQuery兼容问题
2008/09/23 Javascript
判断脚本加载是否完成的方法
2009/05/26 Javascript
JavaScript 对象链式操作测试代码
2010/04/25 Javascript
jQuery帮助之筛选查找 children([expr])
2011/01/31 Javascript
javascript模版引擎-tmpl的bug修复与性能优化分析
2011/10/23 Javascript
js取滚动条的尺寸的函数代码
2011/11/30 Javascript
深入理解javascript中defer的作用
2013/12/11 Javascript
jQuery 计算iframe 窗口大小的方法
2014/05/13 Javascript
js实现刷新iframe的方法汇总
2015/04/27 Javascript
JavaScript必看小技巧(必看)
2016/06/07 Javascript
静态页面html中跳转传值的JS处理技巧
2016/06/22 Javascript
javascript自执行函数
2017/02/10 Javascript
详解vue项目首页加载速度优化
2017/10/18 Javascript
Vuepress 搭建带评论功能的静态博客的实现
2019/02/17 Javascript
JavaScript中AOP的实现与应用
2019/05/06 Javascript
Vue函数式组件-你值得拥有
2019/05/09 Javascript
vue-cli3中vue.config.js配置教程详解
2019/05/29 Javascript
JS如何调用WebAssembly编译出来的.wasm文件
2020/11/05 Javascript
[05:41]2014DOTA2西雅图国际邀请赛 小组赛7月10日TOPPLAY
2014/07/10 DOTA
浅谈Python类里的__init__方法函数,Python类的构造函数
2016/12/10 Python
Python中Unittest框架的具体使用
2019/08/27 Python
Python for循环与getitem的关系详解
2020/01/02 Python
python 使用while循环输出*组成的菱形实例
2020/04/12 Python
利用Python过滤相似文本的简单方法示例
2021/02/03 Python
Python 图片处理库exifread详解
2021/02/25 Python
英国健康和美容技术产品购物网站:CurrentBody
2019/07/17 全球购物
Lovedrobe官网:英国领先的大码服装品牌
2019/09/19 全球购物
在C语言中实现抽象数据类型什么方法最好
2014/06/26 面试题
如何在Shell脚本中使用函数
2015/09/06 面试题
优秀学生事迹材料
2014/02/08 职场文书
缓存替换策略及应用(以Redis、InnoDB为例)
2021/07/25 Redis
SQL SERVER实现连接与合并查询
2022/02/24 SQL Server
Spring Boot 实现 WebSocket
2022/04/30 Java/Android