scipy.fft.

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

ifft

fft 的逆变换。

fft2

二维快速傅里叶变换。

fftn

N维快速傅里叶变换。

rfftn

实数输入的 N维快速傅里叶变换。

fftfreq

给定 FFT 参数的频率分量。

next_fast_len

为实现最高效变换而对输入进行填充的大小

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()
../../_images/scipy-fft-fft-1.png