fft#
- scipy.fft.fft(x, n=None, axis=-1, norm=None, overwrite_x=False, workers=None, *, plan=None)[source]#
计算一维离散傅里叶变换。
此函数使用高效的快速傅里叶变换(FFT)算法 [1] 计算一维 *n*-点离散傅里叶变换(DFT)。
- 参数:
- xarray_like
输入数组,可以是复数。
- nint, optional
输出变换轴的长度。如果 n 小于输入长度,则输入会被裁剪。如果大于输入长度,则输入会用零填充。如果未给出 n,则使用输入沿 axis 指定轴的长度。
- axisint, optional
计算 FFT 的轴。如果未给出,则使用最后一个轴。
- norm{“backward”, “ortho”, “forward”}, optional
归一化模式。默认为“backward”,表示正向变换不进行归一化,
ifft
则按1/n
缩放。“forward”则在正向变换上应用1/n
因子。对于norm="ortho"
,两个方向都按1/sqrt(n)
缩放。在版本 1.6.0 中新增:
norm={"forward", "backward"}
选项已添加- overwrite_xbool, optional
如果为 True,则 x 的内容可能会被销毁;默认为 False。详情请参阅下方注释。
- workersint, optional
用于并行计算的最大工作进程数。如果为负数,则值将从
os.cpu_count()
环绕。详情请参阅下方。- planobject, optional
此参数保留用于传入由下游 FFT 供应商提供的预计算计划。SciPy 目前未使用此参数。
在版本 1.5.0 中新增。
- 返回:
- outcomplex ndarray
截断或零填充的输入,沿 axis 指示的轴进行变换,如果未指定 axis,则沿最后一个轴进行变换。
- 抛出:
- IndexError
如果 axes 大于 x 的最后一个轴。
另请参阅
注释
FFT(快速傅里叶变换)是指利用计算项中的对称性高效计算离散傅里叶变换(DFT)的一种方法。当 n 是 2 的幂时,对称性最高,因此对于这些大小的变换效率最高。对于难以分解的大小,
scipy.fft
使用 Bluestein 算法 [2],因此性能绝不会比 O(n log n) 差。通过使用next_fast_len
对输入进行零填充,可以进一步提高性能。如果
x
是一个一维数组,则fft
等价于y[k] = np.sum(x * np.exp(-2j * np.pi * k * np.arange(n)/n))
频率项
f=k/n
位于y[k]
。在y[n/2]
处,我们达到奈奎斯特频率并环绕到负频率项。因此,对于一个 8 点变换,结果的频率为 [0, 1, 2, 3, -4, -3, -2, -1]。要重新排列 fft 输出,使零频率分量居中,例如 [-4, -3, -2, -1, 0, 1, 2, 3],请使用fftshift
。变换可以使用单精度、双精度或扩展精度(长双精度)浮点数完成。半精度输入将被转换为单精度,非浮点输入将被转换为双精度。
如果
x
的数据类型是实数,将自动使用“实数 FFT”算法,这大约能将计算时间减半。为了进一步提高效率,可以使用rfft
,它进行相同的计算,但只输出对称频谱的一半。如果数据既是实数又是对称的,dct
可以再次将效率提高一倍,通过从信号的一半生成频谱的一半。当指定
overwrite_x=True
时,实现可能会以任何方式使用x
引用的内存。这可能包括重用结果的内存,但这绝不保证。在变换之后,您不应依赖x
的内容,因为将来它可能会在不发出警告的情况下发生变化。workers
参数指定了将 FFT 计算拆分为并行作业的最大数量。这将在x
中执行独立的 1-D FFT。因此,x
必须至少是二维的,并且非变换轴必须足够大以便拆分为块。如果x
太小,则使用的作业可能少于请求的数量。参考文献
[1]Cooley, James W., and John W. Tukey, 1965, “一种用于机器计算复数傅里叶级数的算法,” Math. Comput. 19: 297-301.
[2]Bluestein, L., 1970, “一种用于计算离散傅里叶变换的线性滤波方法”. IEEE Transactions on Audio and Electroacoustics. 18 (4): 451-455.
示例
>>> import scipy.fft >>> import numpy as np >>> scipy.fft.fft(np.exp(2j * np.pi * np.arange(8) / 8)) array([-2.33486982e-16+1.14423775e-17j, 8.00000000e+00-1.25557246e-15j, 2.33486982e-16+2.33486982e-16j, 0.00000000e+00+1.22464680e-16j, -1.14423775e-17+2.33486982e-16j, 0.00000000e+00+5.20784380e-16j, 1.14423775e-17+1.14423775e-17j, 0.00000000e+00+1.22464680e-16j])
在此示例中,实数输入的 FFT 是厄米特的,即在实部对称,在虚部反对称
>>> from scipy.fft import fft, fftfreq, fftshift >>> import matplotlib.pyplot as plt >>> t = np.arange(256) >>> sp = fftshift(fft(np.sin(t))) >>> freq = fftshift(fftfreq(t.shape[-1])) >>> plt.plot(freq, sp.real, freq, sp.imag) [<matplotlib.lines.Line2D object at 0x...>, <matplotlib.lines.Line2D object at 0x...>] >>> plt.show()