如何通过Python的NumPy/SciPy直接在频域生成高斯分布随机样本？

咱先从大家熟悉的时域生成方法说起——通常用NumPy就能轻松造出正态（高斯）分布的伪随机样本，代码很直观：

import numpy as np

# 定义均值mu和标准差sigma
mu, sigma = 0, 0.1
# 生成1000个样本
s = np.random.normal(mu, sigma, 1000)

如果要把这个时域样本转到频域，用SciPy的FFT工具就行：

from scipy.fftpack import fft

sHat = fft(s)

接下来重点聊聊频域直接生成高斯随机数的巧思——这在不少应用里确实更高效，尤其是需要结合频域操作的场景。这里得先提个关键特性：实值白噪声的傅里叶变换是共轭对称的，也就是说，对于频域的第k个分量，它和第N-k个分量（N是样本点数）互为共轭复数。所以咱们在频域生成的时候，得遵循这个规则，这样逆变换回来的结果才是实值的高斯白噪声。

下面是具体的实现步骤和代码：

1. 先确定样本点数N，生成频域的复数随机数
2. 处理共轭对称：只需要生成前一半的独立分量，后一半用前一半的共轭来填充
3. 对频域信号做逆FFT，再调整幅度以匹配目标标准差

示例代码如下：

import numpy as np
from scipy.fftpack import ifft

N = 1000
mu, sigma = 0, 0.1

# 生成频域的复数高斯随机数，只需要前(N//2 + 1)个分量（包含直流分量）
freq_complex = np.random.normal(mu, sigma/np.sqrt(2), N//2 + 1) + 1j * np.random.normal(mu, sigma/np.sqrt(2), N//2 + 1)

# 处理共轭对称：除了直流分量和Nyquist分量（当N为偶数时），其余分量的共轭填充到后半部分
freq_complex[1:-1] = freq_complex[1:-1].conj()[::-1]

# 逆FFT得到时域样本，取实部（理论上应该是纯实值，微小虚部是浮点误差）
s_freq = ifft(freq_complex).real

# 可以验证一下统计特性，比如均值和标准差
print(f"频域生成样本的均值：{np.mean(s_freq):.4f}")
print(f"频域生成样本的标准差：{np.std(s_freq):.4f}")

为啥要除以np.sqrt(2)？因为复数的实部和虚部都是独立的高斯分布，它们的合成分量的方差是实部方差加虚部方差，除以根号2是为了让最终逆变换后的时域样本方差匹配目标sigma²。

这种方法的优势在于，如果你的任务本身就需要在频域做处理（比如滤波、频谱修改），直接在频域生成样本可以省去一次FFT操作，效率自然就上去了。

内容的提问来源于stack exchange，提问作者Herpes Free Engineer