Python中正确执行傅里叶变换？为何仅出现少量峰值？

我有随时间变化的信号数据，想用Python执行FFT（快速傅里叶变换），尝试了如下代码：

fs = 5000   # time interval of my data
fft = np.fft.fft(SIGNAL) / len(SIGNAL)  
fft_magnitude = abs(fft)
f = np.linspace(-(fs/2),fs/2,len(SIGNAL))
plt.stem(f, np.fft.fftshift(fft_magnitude)) 

但得到的结果仅出现少量峰值，希望帮忙分析原因。

原信号图：

FFT结果图：

可能的原因及解决方向 #

• 信号本身频率成分单一：从原信号图看，这是周期性的类正弦波形，本身就只包含少数（甚至单个）基频及其谐波成分，FFT出现少量峰值是正常结果。如果业务场景中预期有更多频率成分，需要先确认原始信号是否确实包含其他频率。
• 频谱分辨率不足：FFT的频率分辨率为fs/N（N是信号采样点数），若信号长度N过小，分辨率会偏低，相邻频率成分会被混叠，看起来只有少量峰值。可以检查len(SIGNAL)的数值，尝试增加采样时长或采样点数来提升分辨率。
• 直流分量干扰：若信号存在较强直流分量，FFT的0频位置会出现一个大幅值峰值，可能掩盖其他小幅度的频率成分。可以先对信号做去直流处理：SIGNAL = SIGNAL - np.mean(SIGNAL)后再执行FFT。
• 采样频率定义错误：代码中fs = 5000标注为“time interval”，但fs应该代表采样频率（单位：Hz，即每秒采样点数），如果误将采样间隔（比如0.0002秒）设为fs，会导致频率轴刻度完全错误，峰值表现异常。请确认：采样频率 = 1 / 采样间隔。
• 未使用窗口函数导致频谱泄漏：如果信号不是严格整周期采样，会引发频谱泄漏，导致主峰值旁瓣抬高、峰值模糊，甚至掩盖弱频率成分。可以尝试给信号加窗后再做FFT，例如：

  windowed_signal = SIGNAL * np.hanning(len(SIGNAL))
  fft = np.fft.fft(windowed_signal) / len(windowed_signal)
  

• 负频部分分散注意力：对于实信号，FFT的正频与负频分量是对称的，通常只需观察正频部分（取fft_magnitude[:len(SIGNAL)//2]），并将非0频的幅度乘以2（归一化后），这样能更清晰地聚焦实际存在的频率成分。

内容的提问来源于stack exchange，提问作者jin