scipy.fft.fft

scipy.fft.fft(x, n=None, axis=- 1, norm=None, overwrite_x=False, workers=None, *, plan=None)[源代码]

计算一维离散傅立叶变换。

此函数用于计算一维 n 采用高效快速傅立叶变换(FFT)算法的点离散傅里叶变换(DFT) [1].

参数
xarray_like

输入数组,可以很复杂。

n整型,可选

输出的转换轴的长度。如果 n 小于输入的长度,则输入将被裁剪。如果它较大,则输入用零填充。如果 n 指定的轴的输入长度。 axis 是使用的。

axis整型,可选

要在其上计算FFT的轴。如果未指定,则使用最后一个轴。

norm{“向后”,“正向”,“向前”},选填

规格化模式。缺省值为“向后”,表示不对正向转换进行规格化,并按 1/nifft 。“转发”改为应用 1/n 正向变换的因素。为 norm="ortho" ,两个方向都按以下比例缩放 1/sqrt(n)

1.6.0 新版功能: norm={{"forward", "backward"}} 添加了选项

overwrite_x布尔值,可选

如果为True,则 x 可以销毁;默认值为false。有关更多详细信息,请参阅下面的注释。

workers整型,可选

用于并行计算的最大工作进程数。如果为负值,则值从 os.cpu_count() 。有关更多详细信息,请参见下面的内容。

plan对象,可选

此参数保留用于传递由下游FFT供应商提供的预计算计划。它目前没有在本科学计划中使用。

1.5.0 新版功能.

退货
out复数ndarray

沿由指示的轴转换的截断或填零的输入 axis ,或者最后一个,如果 axis 未指定。

加薪
IndexError

如果 axes 大于的最后一个轴 x

参见

ifft

与之相反的 fft

fft2

二维FFT。

fftn

N-D FFT。

rfftn

实输入的N-D FFT。

fftfreq

给定FFT参数的频段。

next_fast_len

要将输入填充到的大小以实现最高效的转换

注意事项

FFT(快速傅立叶变换)是指一种利用计算项中的对称性来有效地计算离散傅立叶变换(DFT)的方法。对称性在以下情况下最高 n 是2的幂,因此对于这些大小,变换是最有效的。对于分解能力较差的大小, scipy.fft 使用Bluestein算法 [2] 所以永远不会比O更糟糕 (n 日志 n )。通过使用以下命令对输入进行零填充,可以进一步提高性能 next_fast_len

如果 x 是一维数组,则 fft 相当于:

y[k] = np.sum(x * np.exp(-2j * np.pi * k * np.arange(n)/n))

频率项 f=k/n 可在以下位置找到 y[k] 。在… y[n/2] 我们达到奈奎斯特频率,然后绕到负频率项。因此,对于8点变换,结果的频率为 [0, 1, 2, 3, -4, -3, -2, -1] 。要重新排列FFT输出以使零频分量居中,如下所示 [-4, -3, -2, -1, 0, 1, 2, 3] ,使用 fftshift

转换可以在单精度、双精度或扩展精度(长双精度)浮点中完成。半精度输入将转换为单精度,非浮点输入将转换为双精度。

如果数据类型为 x 是实数,则自动使用“实数FFT”算法,这大致将计算时间减半。要进一步提高效率,请使用 rfft ,它执行相同的计算,但仅输出对称频谱的一半。如果数据既是真实的,又是对称的,则 dct 通过从一半的信号产生一半的频谱,可以再次将效率提高一倍。

什么时候 overwrite_x=True 指定,则由 x 可以由实现以任何方式使用。这可能包括为结果重用内存,但这不能保证。您不应该依赖于 x 在转换之后,因为这可能会在没有任何警告的情况下在未来发生变化。

这个 workers 参数指定要将FFT计算拆分到的最大并行作业数。这将在中执行独立的一维FFT x 。所以, x 必须至少是二维的,并且未变换的轴必须足够大,才能分割成块。如果 x 太小,则使用的作业可能比请求的少。

参考文献

1

詹姆斯·W·库利和约翰·W·图基,1965,“机器计算复傅立叶级数的算法”, 数学课。电脑。 19:297-301。

2

布鲁斯坦,L.,1970,“一种计算离散傅立叶变换的线性滤波方法”。 IEEE音频和电声学汇刊。 18(4):451-455。

示例

>>> import scipy.fft
>>> 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,即实部对称,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