傅里叶级数与函数绘图：分段函数合理近似所需傅里叶系数数量及绘图方法咨询

我来帮你搞定这两个核心问题——估算所需的傅里叶系数数量，以及修正代码实现傅里叶级数的绘制：

你的分段函数是周期为T的实函数，前一段是压缩版的正弦波（周期2πk），后一段为0。这类函数的傅里叶系数衰减速度和函数的光滑度直接相关：

• 你的函数在t=2πk处，函数值连续（两端都是0），但导数不连续（前一段导数为1/k，后一段为0），属于一阶不连续的函数。
• 对于这类函数，傅里叶系数的幅度大致按1/n的速度衰减（n是谐波次数）。

要得到“合理近似”，可以从两个角度判断：

1. 视觉近似：如果只是要图像上和原函数基本重合，一般取N为10~30倍基频对应的谐波次数。如果T远大于2πk（函数大部分时间为0），相当于一个“脉冲状”的信号，频谱更宽，可能需要N=50甚至更大。
2. 量化误差：计算前若干个系数的幅度，当系数幅度降到原函数最大幅度（这里是1）的1%以下时，就可以停止添加更高次的系数了。比如你可以先计算前50个系数，观察它们的衰减趋势。

你的原代码有几个关键问题：积分上限错误、参数传递混乱、傅里叶级数的求和逻辑有问题。下面是修正后的完整实现，附带详细注释：

步骤1：定义分段函数 #

import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import quad

# 定义周期为T的分段函数p(t)
def p(t, k, T):
    # 用numpy掩码区分两个区间，支持数组输入
    mask = (t > 0) & (t < 2 * np.pi * k)
    result = np.zeros_like(t)
    result[mask] = np.sin(t[mask] / k)
    # 2πk ≤ t < T的区间保持0，已初始化完成
    return result

步骤2：计算傅里叶系数 #

严格按照傅里叶系数的定义计算（复数形式）：

# 计算第n次谐波的傅里叶系数cn
def get_fourier_coeff(n, k, T):
    # 被积函数拆分为实部和虚部，避免复数积分的数值问题
    integrand_real = lambda t: p(t, k, T) * np.cos(2 * np.pi * n * t / T)
    integrand_imag = lambda t: -p(t, k, T) * np.sin(2 * np.pi * n * t / T)
    
    # 积分覆盖整个周期[0, T]，因为p(t)在[2πk, T)为0，积分自动忽略这部分
    real_part, _ = quad(integrand_real, 0, T)
    imag_part, _ = quad(integrand_imag, 0, T)
    
    # 傅里叶系数公式：cn = (1/T) * ∫₀^T p(t)e^(-j2πnt/T)dt
    return (real_part + 1j * imag_part) / T

步骤3：生成傅里叶级数近似 #

# 计算N次傅里叶级数近似（从-n到n求和）
def fourier_series(t, N, k, T):
    # 初始化复数数组存储级数和
    series_sum = np.zeros_like(t, dtype=np.complex128)
    for n in range(-N, N + 1):
        cn = get_fourier_coeff(n, k, T)
        series_sum += cn * np.exp(1j * 2 * np.pi * n * t / T)
    # 原函数是实函数，取实部消除数值误差
    return np.real(series_sum)

步骤4：绘制对比图 #

# 设置参数示例：k=2，T=10π（2πk=4π < T，满足分段条件）
k = 2
T = 10 * np.pi

# 生成一个周期内的采样点
t = np.linspace(0, T, 1000, endpoint=False)

# 计算原函数值
original_p = p(t, k, T)

# 计算不同N值的近似结果，观察效果
N_options = [5, 20, 50]
colors = ['#ff4444', '#00cc66', '#3366ff']

plt.figure(figsize=(12, 8))
plt.plot(t, original_p, 'black', label='原函数 p(t)', linewidth=2)

for N, color in zip(N_options, colors):
    approx = fourier_series(t, N, k, T)
    plt.plot(t, approx, color, label=f'N={N} 次近似', linestyle='--', linewidth=1.5)

plt.xlabel('t')
plt.ylabel('p(t)')
plt.title('分段函数的傅里叶级数近似')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

代码关键点说明 #

• 分段函数用numpy掩码实现，支持数组输入，方便后续批量计算和绘图。
• 傅里叶系数严格遵循定义，积分覆盖整个周期，无需手动限定非零区间。
• 求和时遍历从-N到N的所有谐波，最后取实部消除数值计算带来的微小虚部。
• 你可以调整N_options里的数值，观察不同N下的近似效果，找到适合你的N值。

内容的提问来源于stack exchange，提问作者bajsmackan