为何Python中仅对傅里叶变换取绝对值才能正常绘图？

核心原因 #

np.fft.fft()返回的是复数数组，而matplotlib的plot()函数直接绘制复数时只会取实部，导致图形混乱；取绝对值（复数的模）后，我们得到的是各频率分量的振幅强度，这才是频域分析中需要观察的有效信息。

详细拆解 #

1. 傅里叶变换的复数本质
   傅里叶变换的作用是把时域信号分解成不同频率的正弦/余弦分量，每个分量用复数来描述：

• 复数的**模（绝对值）**对应该频率分量的振幅大小
• 复数的辐角对应该频率分量的相位
  对于你使用的正弦信号sin(2π*50t)，它的傅里叶变换会在+50Hz和-50Hz处各出现一个共轭复数峰（实部相同，虚部相反）。

2. 直接绘制复数的问题
   当你执行plt.plot(xf02, yf02)时，matplotlib默认只提取复数的实部进行绘制。由于±50Hz处的复数实部相同、虚部相反，直接画实部会导致正负频率的信号相互干扰，再加上计算过程中的微小数值误差，最终呈现出杂乱无章的异常图形。

3. 取绝对值的意义
   abs(yf02)计算的是复数的模，也就是对应频率分量的振幅强度。对于你的正弦信号，±50Hz处的模是相等的，所以绘制后会看到两个对称的尖锐峰，这正是正弦信号频域的典型特征（正常结果）。

额外补充 #

• 如果需要观察相位信息，可以用np.angle(yf02)绘制相位谱
• 针对实值信号，也可以用np.fft.rfft()直接计算正频率部分的傅里叶变换，结果更简洁，无需处理负频率的共轭对称部分

你的测试代码 #

异常版本（直接绘制复数）

import numpy as np
import matplotlib.pyplot as plt

# x轴
x02 = np.arange(0, 1, 0.001) # start, stop, step
y02 = np.sin(50.0 * 2.0 * np.pi * x02)

# 绘制时域正弦信号
plt.figure()
plt.plot(x02, y02, color ='b')
plt.grid()
plt.title('Sinus in time domain')
plt.show()

# 傅里叶变换
yf02 = np.fft.fft(y02)
xf02 = np.fft.fftfreq(len(y02), 0.001)

# 绘制频域结果（直接用复数）
plt.figure()
plt.plot(xf02, yf02, color ='b')
plt.grid()
plt.title('Sinus in frequency domain')
plt.show()

正常版本（取绝对值）

import numpy as np
import matplotlib.pyplot as plt

# x轴
x02 = np.arange(0, 1, 0.001) # start, stop, step
y02 = np.sin(50.0 * 2.0 * np.pi * x02)

# 绘制时域正弦信号
plt.figure()
plt.plot(x02, y02, color ='b')
plt.grid()
plt.title('Sinus in time domain')
plt.show()

# 傅里叶变换
yf02 = np.fft.fft(y02)
xf02 = np.fft.fftfreq(len(y02), 0.001)

# 绘制频域结果（取绝对值）
plt.figure()
plt.plot(xf02, abs(yf02), color ='b')
plt.grid()
plt.title('Sinus in frequency domain')
plt.show()

内容的提问来源于stack exchange，提问作者Apinorr