Python，Matplotlib：specgram数据数组值与specgram图不匹配

Question

我正在使用 matplotlib.pyplot.specgram 和 matplotlib.pyplot.pcolormesh 制作地震信号的频谱图。 使用 pcolormesh 的原因是我需要在频谱图数据数组上进行算术运算，然后重新绘制结果频谱图（对于三分量地震图 - 东、北和垂直 - 我需要计算水平频谱幅度并将垂直频谱除以水平频谱）。使用频谱图数组数据比单个振幅频谱更容易完成这项工作。

但是我发现，在进行算术操作后，频谱图的绘制结果有意外值。进一步调查后发现，使用 pyplot.specgram 方法制作的频谱图与使用 pyplot.pcolormesh 制作及其返回的数据数组中的值不同。两个绘图/数组应该包含相同的值，但我无法弄清楚为什么它们不同。

例如： 绘制的图形为：

plt.subplot(513)
PxN, freqsN, binsN, imN = plt.specgram(trN.data, NFFT = 20000, noverlap = 0, Fs = trN.stats.sampling_rate, detrend = 'mean', mode = 'magnitude')
plt.title('North')
plt.xlabel('Time [s]')
plt.ylabel('Frequency [Hz]')
plt.clim(0, 150)
plt.colorbar()
#np.savetxt('PxN.txt', PxN)

看起来与情节不同

plt.subplot(514)
plt.pcolormesh(binsZ, freqsZ, PxN)
plt.clim(0,150)
plt.colorbar()

尽管“PxN”数据数组（即每个段的频谱图数据值）是由第一种方法生成并在第二种方法中重复使用，但仍然存在这种情况。您是否知道为什么会发生这种情况？顺便说一句，我意识到我的NFFT值不是平方数，但在我的编码阶段这并不重要。此外，我不知道“imN”数组（pyplot.specgram的第四个返回变量）是什么以及它的用途...

- Nukolas

---

它们有什么不同？你能举个例子吗？你能提供一个trN的示例，让其他人能够重现你的问题吗？ - tmdavison

Answer 1

首先，让我们举一个你所描述的例子，以便其他人能够理解。

import numpy as np
import matplotlib.pyplot as plt
np.random.seed(1)

# Brownian noise sequence
x = np.random.normal(0, 1, 10000).cumsum()

fig, (ax1, ax2) = plt.subplots(nrows=2, figsize=(8, 10))

values, ybins, xbins, im = ax1.specgram(x, cmap='gist_earth')
ax1.set(title='Specgram')
fig.colorbar(im, ax=ax1)

mesh = ax2.pcolormesh(xbins, ybins, values, cmap='gist_earth')
ax2.axis('tight')
ax2.set(title='Raw Plot of Returned Values')
fig.colorbar(mesh, ax=ax2)

plt.show()

幅度差异

您会立即注意到绘制值的幅度差异。

默认情况下，plt.specgram 不会绘制其返回的 "原始" 值。相反，它将它们缩放为分贝（换句话说，它绘制振幅的 10 * log10）。如果您不希望缩放物体，请指定 scale="linear"。但是，对于查看频率组成，对数刻度将是最有意义的。

考虑到这一点，让我们模仿 specgram 的操作：

plotted = 10 * np.log10(values)

fig, ax = plt.subplots()
mesh = ax.pcolormesh(xbins, ybins, plotted, cmap='gist_earth')

ax.axis('tight')
ax.set(title='Plot of $10 * log_{10}(values)$')
fig.colorbar(mesh)

plt.show()

使用对数色彩刻度

或者，我们可以在图像上使用对数标准化，并获得类似的结果，但更清晰地表明颜色值处于对数刻度上：

from matplotlib.colors import LogNorm

fig, ax = plt.subplots()
mesh = ax.pcolormesh(xbins, ybins, values, cmap='gist_earth', norm=LogNorm())

ax.axis('tight')
ax.set(title='Log Normalized Plot of Values')
fig.colorbar(mesh)

plt.show()

imshow 与 pcolormesh

需要注意的是，我们展示的示例没有应用任何插值方法，而原始的 specgram 图有。 specgram 使用 imshow，而我们使用 pcolormesh 进行绘图。对于这种情况（网格间距相等），我们可以选择使用任意一种。

在这种情况下，imshow 和 pcolormesh 都是非常好的选择。然而，如果您要处理大型数组，imshow 的性能会显著提高。因此，即使您不想进行插值（例如，使用 interpolation='nearest' 关闭插值），也可能考虑使用它。

例如：

extent = [xbins.min(), xbins.max(), ybins.min(), ybins.max()]

fig, ax = plt.subplots()
mesh = ax.imshow(values, extent=extent, origin='lower', aspect='auto',
                 cmap='gist_earth', norm=LogNorm())

ax.axis('tight')
ax.set(title='Log Normalized Plot of Values')
fig.colorbar(mesh)

plt.show()

- Joe Kington

---

太棒了，非常感谢，这解释了一切，现在我明白了。 - Nukolas

我觉得这个答案应该有数百个赞，它为我节省了很多时间。 - eric

需要为Fs添加值：specgram(x, Fs=1, cmap='gist_earth') - Naomi Fridman