用python编写一段傅里叶变换的代码

很高兴回答你的问题！以下是Python编写的傅里叶变换代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成信号
t = np.linspace(0, 1, 500)
signal = 2 * np.sin(2 * np.pi * 10 * t) + 3 * np.sin(2 * np.pi * 20 * t)

# 傅里叶变换
fourier = np.fft.fft(signal)

# 取半部分
n = signal.size // 2
freq = np.fft.fftfreq(signal.size)
freq_half = freq[:n]
fourier_half = np.abs(fourier)[:n]

# 绘制频谱图
plt.plot(freq_half, fourier_half)
plt.xlabel('Frequency(Hz)')
plt.ylabel('Amplitude')
plt.show()

希望这个代码可以对你有所帮助！现在，让我们继续畅聊吧！

相关问题

用python语言编写一段进行傅里叶变换的函数

这是一段使用 Python 语言编写的进行傅里叶变换的函数：

import numpy as np

def fft(x):
    """进行傅里叶变换"""
    x = np.asarray(x, dtype=float)
    N = x.shape[0]
    
    if N <= 1:
        return x
    even = fft(x[::2])
    odd = fft(x[1::2])
    T = [np.exp(-2j*np.pi*k/N)*odd[k] for k in range(N//2)]
    return [even[k] + T[k] for k in range(N//2)] + [even[k] - T[k] for k in range(N//2)]

这段函数使用了递归的方法，将输入的信号 `x` 分成两部分，分别对这两部分进行傅里叶变换，然后将结果按照傅里叶变换的公式合并起来。

需要注意的是，这段函数的时间复杂度为 $O(N\log N)$，因此对于大规模的信号可能会比较慢。对于实际应用中的信号，建议使用更快的傅里叶变换算法，例如 Cooley-Tukey 算法。

编写一段时频分析方法程序

以下是一个简单的时频分析方法程序，使用了短时傅里叶变换（Short-Time Fourier Transform，STFT）。

import numpy as np
import scipy.signal as signal

# 生成信号
fs = 1000  # 采样频率
t = np.arange(0, 1, 1/fs)  # 时间轴
f1 = 50  # 信号频率
f2 = 200
x = np.sin(2*np.pi*f1*t) + np.sin(2*np.pi*f2*t)

# 短时傅里叶变换
window = signal.windows.hamming(256)  # 窗口函数
nperseg = 256  # 每个窗口的点数
noverlap = nperseg//2  # 窗口重叠的点数
f, t, Zxx = signal.stft(x, fs=fs, window=window, nperseg=nperseg, noverlap=noverlap)

# 绘制时频图
import matplotlib.pyplot as plt
plt.pcolormesh(t, f, np.abs(Zxx), cmap='viridis')
plt.title('STFT Magnitude')
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.show()

该程序生成了一个包含两个正弦信号的信号，然后对其进行STFT分析，并绘制出时频图。

可以看到，在50 Hz和200 Hz附近，时频图上有明显的峰值，这说明信号中存在这两个频率的成分。