在数据分析和信号处理领域，傅里叶变换是一种不可或缺的工具，它能够将信号从时域转化为频域，揭示出信号内在的频率成分。在Python科学计算生态中，NumPy作为基础的数值计算库，提供了对傅里叶变换的强大支持。本文将深入浅出地介绍如何使用NumPy执行快速傅里叶变换（Fast Fourier Transform, FFT），并展示一些实际应用案例。一、傅里叶变换简介傅里叶变换是一种数学上的分析工具，它将一个函数（或信号）从时域（或空间域）转换到频域，揭示了函数或信号的不同频率成分及其相对强度。这个概念最初由法国数学家约瑟夫·傅里叶提出，经过不断发展，现在已经成为物理学、工程学、计算机科学、信号处理、图像处理等领域的重要基石。傅里叶变换的基本思想：任何一个满足一定条件的连续或离散信号，无论多么复杂，都可以表示为一组正弦波（或余弦波）的叠加。傅里叶变换就是找到这组正弦波的具体参数——频率、幅度和相位，从而将原信号分解为其频率成分的组合。连续傅里叶变换（Continuous Fourier Transform，CFT）的公式定义如下：对于一个连续时间信号 �(�)f(t)，它的傅里叶变换为F（ω）：
其中，j 是虚数单位，ω 是角频率，t 是时间变量。
离散傅里叶变换（Discrete Fourier Transform，DFT）应用于离散信号，其公式定义如下：对于一个有限长的离散信号序列x[n] �[�]，其DFT为 X[k] ：
其中，�N 是信号序列的长度，�k 是频率索引，�n 是时间索引。
快速傅里叶变换（Fast Fourier Transform，FFT）是一种高效计算DFT的算法，极大地降低了计算复杂度。傅里叶变换的主要性质和应用包括：
- 频谱分析：识别信号中的基频和谐波成分，分析噪声分布。
- 信号滤波：在频域中对信号进行过滤，去除不需要的频率成分。
- 信号压缩和编码：利用信号的频域特性进行数据压缩，例如在音频和视频编码中。
- 图像处理：通过对图像进行傅里叶变换，可以实现图像的频率域滤波、图像去噪和图像压缩等任务。
二、NumPy中的傅里叶变换NumPy通过numpy.fft模块提供了一系列的傅里叶变换函数，我们可以轻松地进行傅里叶变换。举一个简单的例子，用FFT求下式的离散傅里叶变换。
import numpy as npimport matplotlib.pyplot as plt # 创建一个离散时域信号t = np.linspace(0, 1, 1000, endpoint=False)f_t = np.sin(2 * np.pi * 5 * t) + 0.5 * np.sin(2 * np.pi * 10 * t) # 计算离散傅里叶变换（DFT）f_k = np.fft.fft(f_t) # DFT的结果实际上包含了负频率部分，但我们通常只关心0到采样率一半的频率范围# 所以我们只取前半部分，并且因为对称性，我们还可以除以2N_half = len(f_k) // 2xfrequencies = np.arange(N_half) * 1000 / len(t) # 频率轴 # 取绝对值以得到幅度谱amplitudes = abs(f_k[:N_half]) / len(t) # 绘制结果plt.figure(figsize=(12, 6))plt.subplot(2, 1, 1)plt.title("Time Domain Signal")plt.plot(t, f_t)plt.xlabel("Time (s)")plt.ylabel("Amplitude") plt.subplot(2, 1, 2)plt.title("Frequency Domain Signal")plt.stem(xfrequencies, amplitudes)plt.xlabel("Frequency (Hz)")plt.ylabel("Amplitude")#plt.xlim(0,500) plt.tight_layout()plt.show()
这里np.fft.fft()返回的是信号的离散傅里叶变换结果，其长度与原信号相同，但包含了正负频率分量。运行结果为：
三、理解FFT结果1. 幅度谱：通常关注的是幅度信息，可以通过np.abs()获取各频率分量的幅度值。
amplitudes = np.abs(fft_result)/len(t)
2. 频率轴调整：由于FFT的结果默认是对半区间频率分布，若要获得实际对应的频率，需要根据采样率和样本点数进行调整。
# DFT的结果实际上包含了负频率部分，但我们通常只关心0到采样率一半的频率范围# 所以我们只取前半部分，并且因为对称性，我们还可以除以2N_half = len(f_k) // 2xfrequencies = np.arange(N_half) * 1000 / len(t) # 频率轴
从图中，我们可以看到模拟信号中的两个频率值f=5和f=10，已全部显示在FFT后的图谱中。四、多维傅里叶变换NumPy同样支持二维及更高维度的数据进行傅里叶变换，例如图像数据：
import numpy as npimport matplotlib.pyplot as pltfrom PIL import Image # 加载图像并转为灰度image=Image.open("Lenna.png").convert("L") # 对图像进行归一化处理image=np.array(image)/255.0 # 计算二维傅里叶变换ft_image = np.fft.fft2(image) # 取其幅度谱（通常在显示频谱时，我们只关心幅度而非相位）magnitude_spectrum = np.abs(ft_image) # 对幅度谱取平方根以改善视觉效果magnitude_spectrum_sqrt = np.sqrt(magnitude_spectrum) # 将结果转换回uint8以便于显示magnitude_spectrum_sqrt_uint8 = ((20 * magnitude_spectrum_sqrt / magnitude_spectrum_sqrt.max()).astype(np.uint8)) # 显示原图像和其幅度谱fig, axs = plt.subplots(1, 2, figsize=(10, 5)) axs[0].imshow(image, cmap='gray')axs[0].set_title('Original Image') axs[1].imshow(magnitude_spectrum_sqrt_uint8, cmap='gray')axs[1].set_title('Magnitude Spectrum') for ax in axs: ax.set_axis_off() plt.show()
Lenna经过FFT后全黑了 
五、结语本期，我们通过NumPy对各种类型的数据进行傅里叶变换，无论是单维时间序列数据还是多维图像数据，都能利用这一强大工具来洞察其背后的频率特性，从而服务于诸如滤波、去噪、特征提取等多种实际场景。在科学研究和工程实践中，掌握和灵活运用NumPy中的傅里叶变换功能具有重要意义。
