numpy.fft()结果处理：如何将1023个波形分量缩减至10个并绘图

1. FFT结果长度1023是否合理？ #

完全合理，但你混淆了核心概念：FFT输出数组的长度≠信号包含的波形数量。numpy.fft.fft()默认返回和输入时域信号长度一致的数组，这个长度是频域的采样点数——每个点对应一个特定频率的分量幅度/相位，并非信号里的“波形个数”。

比如你输入的时域信号长度为1023，FFT就会输出1023个频域采样点，其中前半部分（前512个点，因1023是奇数）对应正频率，后半部分对应负频率，实际分析中通常只关注正频率部分。

2. 如何将频域结果缩减至10个有效分量？ #

结合你提到的FFT绘图集中在4个区域的情况，推荐两种实用方法：

方法一：提取幅度谱前10个峰值 #

既然信号能量集中在少数频率上，提取峰值是最贴合实际需求的方式：

import numpy as np
import matplotlib.pyplot as plt

# 假设你的时域信号为your_signal，采样率为fs
fft_result = np.fft.fft(your_signal)
fs = 1000  # 替换为你的实际采样率
n = len(fft_result)
freqs = np.fft.fftfreq(n, 1/fs)

# 筛选正频率部分
positive_mask = freqs >= 0
positive_freqs = freqs[positive_mask]
magnitude = np.abs(fft_result[positive_mask])

# 获取前10个峰值的频率和幅度
top_indices = np.argsort(magnitude)[-10:][::-1]
top_freqs = positive_freqs[top_indices]
top_magnitudes = magnitude[top_indices]

# 绘制结果
plt.bar(top_freqs, top_magnitudes)
plt.xlabel('Frequency (Hz)')
plt.ylabel('Magnitude')
plt.show()

方法二：频域区间分箱（均匀缩减） #

如果需要强制分成10个均匀区间，对每个区间的幅度取平均值：

# 基于上述的positive_freqs和magnitude
num_bins = 10
# 划分频率区间
bins = np.linspace(0, fs/2, num_bins+1)
bin_magnitudes = []
bin_centers = []

for i in range(num_bins):
    mask = (positive_freqs >= bins[i]) & (positive_freqs < bins[i+1])
    if np.any(mask):
        bin_magnitudes.append(np.mean(magnitude[mask]))
        bin_centers.append((bins[i] + bins[i+1])/2)

# 绘制分箱结果
plt.bar(bin_centers, bin_magnitudes)
plt.xlabel('Frequency (Hz)')
plt.ylabel('Average Magnitude')
plt.show()

3. FFT绘图集中在4个区域，平滑无效的问题 #

你的信号应该是由4个主要频率分量合成的周期信号，FFT出现的尖峰是这些真实频率分量的体现。平滑操作针对的是连续噪声，对离散的频率尖峰无效——正确做法是直接提取这4个峰值对应的频率和幅度，无需做平滑处理。

内容的提问来源于stack exchange，提问作者Yusuf Çil