小波分析python代码

当然，我可以提供一个简单的例子来演示一下小波分析的Python代码。小波分析是一种用于信号处理和数据分析的方法，它可以将信号分解成不同尺度的频率成分。

首先，我们需要导入相关的库。在这个例子中，我们使用`pywt`库来进行小波分析。

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

# 生成一个示例信号
fs = 1000  # 采样率
t = np.linspace(0, 1, num=fs, endpoint=False)  # 时间序列
f1 = 10  # 第一个频率成分
f2 = 50  # 第二个频率成分
signal = np.sin(2 * np.pi * f1 * t) + np.sin(2 * np.pi * f2 * t)

# 进行小波分解
wavelet = 'db4'  # 小波基函数
level = 5  # 分解层数
coeffs = pywt.wavedec(signal, wavelet, level=level)

# 绘制小波系数图
plt.figure()
for i, coeff in enumerate(coeffs):
    plt.subplot(level+1, 1, i+1)
    plt.plot(coeff)
    plt.title(f"Level {i+1}")
plt.tight_layout()

# 展示原始信号和重构信号
reconstructed_signal = pywt.waverec(coeffs, wavelet)
plt.figure()
plt.plot(t, signal, label='Original')
plt.plot(t, reconstructed_signal, label='Reconstructed')
plt.legend()

plt.show()

在这个例子中，我们首先生成了一个示例信号，该信号由两个频率成分的正弦波叠加而成。然后，我们使用`pywt.wavedec`函数对信号进行小波分解，指定了小波基函数（这里使用了db4小波基函数）和分解层数。接下来，我们绘制了各个分解层的小波系数图。最后，使用`pywt.waverec`函数对小波系数进行重构，绘制了原始信号和重构信号的对比图。

这只是一个简单的示例，你可以根据具体的需求和数据进行相应的调整和扩展。希望对你有所帮助！