如何用Matplotlib绘制不同τ值下周期三角波的幅度谱？

当然可以用Matplotlib搞定这个需求！我帮你梳理清楚步骤，解决你遇到的两个核心问题：构造带间隙的周期三角波，以及绘制离散的幅度谱（毕竟Matplotlib默认的magnitude_spectrum是针对连续/随机信号的，不适合周期信号的离散线谱）。

1. 手动构造带间隙的周期三角波 #

Scipy自带的三角波函数确实没法直接定义带间隙的版本，所以我们自己写一个生成函数，灵活控制三角波的宽度τ和周期T：

import numpy as np
import matplotlib.pyplot as plt

def generate_gapped_triangle(T, tau, samples_per_period=1024):
    # 生成单个周期的时间轴（不含端点，避免重复）
    t_single_period = np.linspace(0, T, samples_per_period, endpoint=False)
    signal_single_period = np.zeros_like(t_single_period)
    
    # 构造三角波段：前τ/2时间从0线性升到1，后τ/2时间从1线性降到0
    rise_part = t_single_period <= tau/2
    signal_single_period[rise_part] = 2 * t_single_period[rise_part] / tau
    fall_part = (t_single_period > tau/2) & (t_single_period <= tau)
    signal_single_period[fall_part] = 2 * (tau - t_single_period[fall_part]) / tau
    
    # 扩展为多个周期（方便观察时域波形）
    num_periods = 3
    t_total = np.linspace(0, num_periods*T, num_periods*samples_per_period, endpoint=False)
    signal_total = np.tile(signal_single_period, num_periods)
    
    return t_total, signal_total

2. 计算周期信号的离散幅度谱 #

周期信号的频谱是离散线谱，对应离散傅里叶级数（DFS）。我们可以用Numpy的FFT工具快速计算，然后提取正频率部分的幅度：

def compute_discrete_spectrum(single_period_signal, T, samples_per_period):
    # 对单个周期信号做DFT（等价于DFS）
    dft_result = np.fft.fft(single_period_signal)
    # 归一化幅度，得到傅里叶级数的系数幅度
    magnitude = np.abs(dft_result) / samples_per_period
    # 生成对应的频率点
    freq_points = np.fft.fftfreq(samples_per_period, d=T/samples_per_period)
    # 只保留正频率和直流分量（因为周期信号频谱共轭对称）
    positive_freq_mask = freq_points >= 0
    return freq_points[positive_freq_mask], magnitude[positive_freq_mask]

3. 绘制时域波形+离散幅度谱 #

用Matplotlib的stem函数绘制离散谱（这是实现离散杆状图的关键，替代连续的plot），然后循环处理不同的τ值：

# 基础参数设置
T = 1.0  # 周期
tau_list = [T/2, T/4, T/16]
samples_per_period = 1024

# 创建画布，每行对应一个τ值，包含时域+频谱两个子图
fig, axes = plt.subplots(len(tau_list), 2, figsize=(12, 8))

for idx, tau in enumerate(tau_list):
    # 生成时域信号
    t, signal = generate_gapped_triangle(T, tau, samples_per_period)
    # 绘制时域图
    ax_time = axes[idx, 0]
    ax_time.plot(t, signal)
    ax_time.set_title(f'Time Domain (τ = {tau:.4f}, T={T})')
    ax_time.set_xlabel('Time (s)')
    ax_time.set_ylabel('Amplitude')
    ax_time.grid(True)
    
    # 计算并绘制离散幅度谱
    single_period_signal = signal[:samples_per_period]
    freqs, magnitude = compute_discrete_spectrum(single_period_signal, T, samples_per_period)
    ax_spectrum = axes[idx, 1]
    # stem函数绘制离散杆状谱
    ax_spectrum.stem(freqs, magnitude, basefmt='b-', use_line_collection=True)
    ax_spectrum.set_title(f'Discrete Magnitude Spectrum (τ = {tau:.4f})')
    ax_spectrum.set_xlabel('Frequency (Hz)')
    ax_spectrum.set_ylabel('Magnitude')
    ax_spectrum.grid(True)
    # 限制频率范围，避免显示过多无关高频
    ax_spectrum.set_xlim(0, 20/T)

plt.tight_layout()
plt.show()

• 为什么不用matplotlib.magnitude_spectrum？这个函数本质是计算功率谱密度（针对随机/连续信号），输出的是连续曲线，而周期信号的频谱是离散的线谱，用stem才是正确的选择。
• 关于傅里叶变换的疑惑：你之前的判断是对的——周期信号的“频谱”指的是离散傅里叶级数（DFS），而非非周期信号的连续傅里叶变换，所以我们上面的实现完全匹配你的需求。

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