numpy.fft.fft的傅里叶变换公式及偶函数虚部非零问题咨询

1. numpy.fft.fft 的公式与连续傅里叶变换的区别 #

numpy.fft.fft 实现的是离散傅里叶变换(DFT)，和你给出的连续傅里叶变换公式本质不同：

• 连续傅里叶变换是对连续信号的积分：
  $$F(\omega) = \int_{-\infty}^{\infty} K(s) e^{i\omega s} ds$$
• 而DFT是对有限长度离散采样序列的求和，公式为：
  $$X[k] = \sum_{n=0}^{N-1} x[n] e^{-2\pi i k n / N}$$
  其中 $N$ 是采样序列的长度，$k$ 是频率索引（$0 \leq k < N$）。

两者核心差异：连续傅里叶变换处理无限长连续信号，DFT处理有限长离散采样信号；且DFT的指数项为 $e^{-2\pi i k n / N}$，与连续傅里叶变换的 $e^{i\omega s}$ 形式、物理意义均不同。

2. 偶函数用fft得到非零虚部的原因 #

你遇到的虚部非零问题，主要来自两个方面：

(1) 循环对称性的实际偏差 #

连续信号的“偶函数”是关于时间原点对称，但DFT处理的是循环序列（即数组首尾相连形成环形）。你的采样序列 s = np.linspace(-10,10,10000) 对应的 $f[n] = \cos(s[n])$，理论上满足循环偶对称（$f[n] = f[N-1-n]$），但由于浮点采样的微小精度误差，实际计算中会出现极微小的虚部。

(2) 浮点运算的数值误差 #

FFT基于浮点运算实现，即使序列严格满足循环偶对称，计算机的浮点精度限制也会产生极小的虚部。你输出中的虚部数值如果是极小量级（比如实际为 $10^{-12}$ 左右，只是打印格式未显示指数），属于正常的数值误差。

若要验证对称性对DFT的影响，可构造严格循环偶对称序列（如 f = np.cos(np.linspace(0, 2*np.pi, 10000, endpoint=False))），此时FFT的虚部会趋近于零。

内容的提问来源于stack exchange，提问作者bubucodex