给出一个利用小波变换将数据信号转换成时频图的代码

小波变换是一种将信号分解为不同频率和时间尺度成分的技术，可以提供比傅立叶变换更丰富的时空信息。在Python中，常用的是`pywt`库来进行小波分析。下面是一个简单的例子，展示如何使用`pywavelets`库生成一个二维的时间-频率（时频）图：

import numpy as np
from pywt import wavedec2, imshow_wavedec2

# 假设我们有一个简单的正弦信号
data = np.sin(2 * np.pi * np.arange(0, 1000) / 100)

# 使用Daubechies 4级小波（db4）进行小波分解
cA, (cH, cV, cD) = wavedec2(data, 'db4', level=4)  # 第四个level通常足够细致地显示高频细节

# 将系数重构到时频图上
coeffs = [cA] + [np.abs(i) for i in (cH, cV, cD)]  # 取绝对值显示幅度
frequencies = np.array([8, 16, 32, 64])  # 因为我们在第4层停止，所以对应的是这些频率

fig, axs = plt.subplots(nrows=2, ncols=2)
for ax, freq, coef in zip(axs.flat, frequencies, coeffs):
    t, s = np.meshgrid(np.arange(len(data)), np.arange(freq))
    im = ax.imshow(s, extent=[t.min(), t.max(), data.min(), data.max()], cmap='gray')
    ax.set_title(f"Frequency: {freq} Hz")
    ax.set_xlabel('Time')
    ax.set_ylabel('Amplitude')

plt.tight_layout()
plt.show()