scipy.signal.resample与scipy.interpolate差异及大样本适配问题咨询

• scipy.signal.resample本质是为均匀采样信号设计的重采样工具，它默认认为原始信号的采样点是均匀分布在[0, N-1]（N是原始点数）的时间轴上。如果直接传入非均匀采样的信号值却不匹配真实时间轴，大数据集下这种时间轴错位的影响会被放大，导致重构信号出现明显偏移；小数据集因为样本量小，错位误差被掩盖，看起来表现正常。
• 另外，该方法基于FFT实现，默认假设信号是周期性的。如果原始非均匀信号的首尾幅值、相位差异较大，长序列的FFT会把这种边界不连续性识别为高频成分，重构时就会引入偏移或振铃效应，大数据集的边界效应远比小数据集显著。

1. 插值类方法（推荐） #

对于非均匀到均匀的重采样，scipy.interpolate系列函数（比如interp1d、UnivariateSpline）是更适配的选择——它们直接基于已知的非均匀时间轴和信号值，在目标均匀时间轴上做插值，不需要假设信号周期性或均匀采样的前提，大数据集下稳定性更好。示例代码：

import numpy as np
from scipy.interpolate import interp1d

# 模拟非均匀采样数据
non_uniform_t = np.random.uniform(0, 10, size=10000)
non_uniform_t.sort()
non_uniform_y = np.sin(non_uniform_t) + np.random.normal(0, 0.1, size=10000)

# 定义目标均匀时间轴
uniform_t = np.linspace(non_uniform_t.min(), non_uniform_t.max(), 5000)

# 执行线性插值（可替换为'cubic'等其他插值类型）
interpolator = interp1d(non_uniform_t, non_uniform_y, kind='linear')
uniform_y = interpolator(uniform_t)

2. 调整resample的使用方式（仅适配特定场景） #

如果一定要用scipy.signal.resample，需要先把非均匀信号转成临时均匀采样信号，再用resample调整到目标采样率：

import numpy as np
from scipy.interpolate import interp1d
from scipy.signal import resample

# 先将非均匀信号插值为临时均匀采样
temp_uniform_t = np.linspace(non_uniform_t.min(), non_uniform_t.max(), len(non_uniform_t))
temp_interpolator = interp1d(non_uniform_t, non_uniform_y, kind='linear')
temp_uniform_y = temp_interpolator(temp_uniform_t)

# 再用resample生成目标均匀信号
target_num = 5000
uniform_y, uniform_t_resampled = resample(temp_uniform_y, target_num, t=temp_uniform_t)

另外，给原始信号加窗（比如汉宁窗）可以缓解FFT的边界效应，减少偏移：

window = np.hanning(len(temp_uniform_y))
windowed_y = temp_uniform_y * window
uniform_y, uniform_t_resampled = resample(windowed_y, target_num, t=temp_uniform_t)
# 注意：加窗会衰减信号幅值，需要根据窗函数的平均能量校正
uniform_y /= np.mean(window)

内容的提问来源于stack exchange，提问作者python_noobie