scipy.fft.
prev_fast_len#
- scipy.fft.prev_fast_len(target, real=False)#
找到
fft
输入数据的上一个快速大小。这对于在进行 FFT 之前丢弃最少数量的样本很有用。SciPy 的 FFT 算法通过递归分治策略获得速度提升。这依赖于输入长度的小质因子的有效函数。因此,当使用 FFT 实现所处理的质因子的复合数时,变换速度最快。如果所有基数小于等于 n 都有有效函数,则结果将是一个小于等于
target
且其质因子均小于等于 n 的数。(也称为 n-光滑数)- 参数:
- 返回:
- outint
小于或等于
target
的最大快速长度。
注意
此函数的结果未来可能会因性能考量而改变,例如,如果增加了新的质因子。
使用实数输入数据调用
fft
或ifft
会在内部执行'R2C'
变换。在当前实现中,prev_fast_len 对于复数 FFT 假定基数为 2,3,5,7,11,对于实数 FFT 假定基数为 2,3,5。
示例
在特定机器上,素数长度的 FFT 需要 16.2 毫秒
>>> from scipy import fft >>> import numpy as np >>> rng = np.random.default_rng() >>> max_len = 93059 # prime length is worst case for speed >>> a = rng.standard_normal(max_len) >>> b = fft.fft(a)
对小于 max_len 的最大快速长度执行 FFT 可将计算时间缩短到 1.5 毫秒,提速 10.5 倍
>>> fft.prev_fast_len(max_len, real=True) 92160 >>> c = fft.fft(a[:92160]) # discard last 899 samples