优化这段pythonimport numpy as np import matplotlib.pyplot as plt import math # 待测信号 freq = 17.77777 # 信号频率 t = np.linspace(0, 0.2, 1001) Omega =2 * np.pi * freq phi = np.pi A=1 x = A * np.sin(Omega * t + phi) # 加入噪声 noise = 0.2 * np.random.randn(len(t)) x_noi

se = x + noise # 绘制原始信号和加噪声后的信号 plt.figure(figsize=(10, 4)) plt.plot(t, x, label='Original Signal') plt.plot(t, x_noise, label='Signal with Noise') plt.legend() plt.xlabel('Time (s)') plt.ylabel('Amplitude') plt.show() # 进行傅里叶变换 fft_x_noisese = np.fft.fft(x_noise) freqs = np.fft.fftfreq(len(x_noise)) # 绘制频谱图 plt.figure(figsize=(10, 4)) plt.plot(freqs, np.abs(fft_x_noisese)) plt.xlabel('Frequency (Hz)') plt.ylabel('Amplitude') plt.show()

优化建议：
1. 可以将一些常量提取出来，例如频率、噪声幅度等，避免在循环中重复计算。
2. 可以使用subplot函数将多张图放在同一张画布中展示，提高可视化效率。
3. 可以对频谱图进行对数变换，使其更容易观察信号的频域特征。
4. 可以对傅里叶变换结果进行归一化处理，使得频谱图的纵轴单位更易理解。