我想要做的是,从具有周期模式的x-y点列表中计算周期。凭借我的有限数学知识,我知道傅里叶变换可以做到这种事情。
我正在编写Python代码。
我在这里找到了一个相关的答案(链接),但它使用一个均匀分布的x轴,即dt
是固定的,这对我来说并不适用。由于我实际上不太理解其背后的数学原理,所以我不确定它是否会在我的代码中正常工作。
我的问题是,它能行吗?或者,是否有numpy
中已经完成我的工作的方法?或者,我该如何做?
编辑:所有值都是Pythonic float
(即双精度)。
我想要做的是,从具有周期模式的x-y点列表中计算周期。凭借我的有限数学知识,我知道傅里叶变换可以做到这种事情。
我正在编写Python代码。
我在这里找到了一个相关的答案(链接),但它使用一个均匀分布的x轴,即dt
是固定的,这对我来说并不适用。由于我实际上不太理解其背后的数学原理,所以我不确定它是否会在我的代码中正常工作。
我的问题是,它能行吗?或者,是否有numpy
中已经完成我的工作的方法?或者,我该如何做?
编辑:所有值都是Pythonic float
(即双精度)。
对于不均匀间隔的样本,您可以使用scipy.signal.lombscargle
来计算朗伯-斯卡格尔周期图。以下是一个示例,其中信号的主频率为2.5 rad/s。
from __future__ import division
import numpy as np
from scipy.signal import lombscargle
import matplotlib.pyplot as plt
np.random.seed(12345)
n = 100
x = np.sort(10*np.random.rand(n))
# Dominant periodic signal
y = np.sin(2.5*x)
# Add some smaller periodic components
y += 0.15*np.cos(0.75*x) + 0.2*np.sin(4*x+.1)
# Add some noise
y += 0.2*np.random.randn(x.size)
plt.figure(1)
plt.plot(x, y, 'b')
plt.xlabel('x')
plt.ylabel('y')
plt.grid()
dxmin = np.diff(x).min()
duration = x.ptp()
freqs = np.linspace(1/duration, n/duration, 5*n)
periodogram = lombscargle(x, y, freqs)
kmax = periodogram.argmax()
print("%8.3f" % (freqs[kmax],))
plt.figure(2)
plt.plot(freqs, np.sqrt(4*periodogram/(5*n)))
plt.xlabel('Frequency (rad/s)')
plt.grid()
plt.axvline(freqs[kmax], color='r', alpha=0.25)
plt.show()
脚本打印出2.497
并生成以下图表:from __future__ import division
是做什么的?但是我似乎不需要它。 - Michael Kimduration
变成了一个大于1的整数,那么如果没有导入division
,表达式1/duration
将会是0。另一种“版本兼容”的方法是将表达式更改为1.0/duration
,但我正在逐渐习惯Python 3的风格,所以我使用了division
的导入。 - Warren Weckesser这个Scipy页面向您展示了离散傅里叶变换的基本知识: http://docs.scipy.org/doc/numpy-1.10.0/reference/routines.fft.html
他们还提供了使用DFT的API。对于您的情况,您应该查看如何使用fft2。