如何使用SciPy的sosfilt工具对时域波形应用自定义低通滤波器

嗨，我完全get到你的需求——不想绕FFT的路子，直接用SciPy的sosfilt来处理自己实验测得的自定义低通滤波器，对吧？咱们一步步来拆解这个问题，其实核心是把你手里的频域衰减-频率曲线转换成sosfilt能识别的二阶节（SOS）滤波器表示，这需要用到滤波器设计里的“频响拟合”方法。

先理清楚核心逻辑 #

sosfilt本质是处理数字滤波器的二阶节结构，而你现在有的是频域幅度响应数据（实验测得的衰减vs频率），这两者之间没有直接的转换公式，得通过“拟合”生成对应的滤波器系数，再转成SOS格式。这里有两种常用的思路：设计线性相位的FIR滤波器，或者拟合IIR滤波器，咱们分别说。

方法一：用FIR滤波器拟合（线性相位，无相位失真） #

如果你希望滤波后信号没有相位偏移，那FIR滤波器是最优选择，它可以完美拟合你的频域幅度响应，而且线性相位的特性不会扭曲信号的时序。

步骤1：整理你的实验数据

首先得把数据转换成SciPy工具能识别的格式：

• 把测得的频率点归一化到Nyquist频率（也就是采样频率的一半，fs/2），公式是 f_norm = f / (fs/2)，归一化后的频率范围是0到1（对应0到fs/2 Hz）。
• 把衰减值转换成增益幅度：如果衰减是A dB，那么增益 gain = 10^(-A/20)。记得要包含0Hz（直流）和Nyquist频率这两个点，拟合效果会更好。

步骤2：设计FIR滤波器并转成SOS格式

用scipy.signal.firwin2工具，它可以根据你给定的频率-增益点对直接生成FIR滤波器系数，再用tf2sos把系数转换成SOS格式：

import numpy as np
from scipy import signal

# 你的信号采样频率
fs = 1000  # 示例值，替换成你实际的采样频率
nyq = fs / 2

# 替换成你实验测得的频率（Hz）和衰减（dB）数据
f_exp = np.array([0, 100, 200, 500])
atten_exp = np.array([0, 0, 20, 60])

# 转换为归一化频率和增益幅度
f_norm = f_exp / nyq
gain = 10 ** (-atten_exp / 20)

# 设计FIR滤波器：numtaps是滤波器阶数，越高拟合越准但计算量越大
numtaps = 100  # 可根据需求调整
b = signal.firwin2(numtaps, f_norm, gain)

# 把FIR滤波器转换成SOS格式（FIR的分母系数是[1]）
sos = signal.tf2sos(b, [1])

# 现在就可以用sosfilt滤波了！
filtered_signal = signal.sosfilt(sos, your_time_domain_signal)

方法二：用IIR滤波器拟合（阶数低，适合实时处理） #

如果你的应用对计算量要求高，不想用高阶FIR，那可以用IIR滤波器来拟合频响，它能用更低的阶数达到接近的效果，但会有一定的相位失真（如果在意相位，后续可以用sosfiltfilt做零相位滤波）。

用scipy.signal.iirls工具，它用最小二乘法拟合给定的频响来生成IIR滤波器系数：

import numpy as np
from scipy import signal

# 同样先处理实验数据（和方法一的步骤1一致）
fs = 1000
nyq = fs / 2
f_exp = np.array([0, 100, 200, 500])
atten_exp = np.array([0, 0, 20, 60])
f_norm = f_exp / nyq
gain = 10 ** (-atten_exp / 20)

# 设定IIR滤波器的分子阶数n和分母阶数d，比如n=4, d=4
n = 4
d = 4
b, a = signal.iirls(f_norm, gain, n, d)

# 转换成SOS格式，避免数值不稳定（SciPy会自动处理稳定的二阶节）
sos = signal.tf2sos(b, a)

# 滤波
filtered_signal = signal.sosfilt(sos, your_time_domain_signal)

一些关键注意事项 #

• 阶数选择：FIR的阶数越高，拟合的频响越接近你的实验数据，但计算量和延迟也会增加；IIR用低阶就能达到不错的效果，但要注意相位失真。
• 数据完整性：实验频率点最好覆盖从0到Nyquist频率，尤其是过渡带（通带到阻带）要有足够的采样点，这样拟合出来的滤波器更准确。
• 稳定性：IIR滤波器可能存在不稳定的情况，但tf2sos会自动把滤波器分解成稳定的二阶节，不用担心这个问题。

之前你用FFT的方法是完全可行的，但用sosfilt的好处是可以做在线处理，不需要把整个信号一次性做FFT，更适合实时数据流的场景。

备注：内容来源于stack exchange，提问作者AntoineC