fft.fft()和ifft()是最常用函数，但需注意输入长度影响精度、补零提升分辨率、实信号用rfft()、频域滤波须fftshift/ifftshift配对、频率轴需手动计算且与采样间隔d相关、多维数组需显式指定axis。
fft.fft() 和 fft.ifft() 是最常用的一对函数，但输入长度影响结果精度
NumPy 的 fft.fft() 默认对整个数组第一轴做 DFT，返回复数数组。它不自动归一化，也不补零——这意味着如果输入长度不是 2 的整数次幂，计算仍能进行，但可能引入频谱泄漏或降低频率分辨率。
实操建议：
- 对信号做
fft.fft()前，优先用np.fft.fftshift()配合绘图，否则零频分量在左侧，不符合常规频谱图习惯 - 若需提升频率分辨率，应补零（
np.pad(arr, (0, N-len(arr)), 'constant')），而非插值；补零不增加信息量，但让频点更密 - 真实信号通常为实数，可用
fft.rfft()节省一半计算量和内存，对应逆变换用fft.irfft() - 注意
fft.ifft()返回仍是复数，即使原信号为实数，需用np.real()提取（或加np.round(..., decimals=12)消除数值噪声）
频域滤波时忘记用 fftshift 导致滤波器错位
直接对 fft.fft() 结果的前半段设为 0（比如想滤掉低频），会误删高频分量——因为未平移前，正频率和负频率是“折起来”的：索引 0 是 DC，1 到 N//2−1 是正频率，N//2 是 Nyquist，N//2+1 到 N−1 是负频率。
正确做法是先 fft.fftshift()，再操作中间区域：
立即学习“Python免费学习笔记（深入）”；
freqs = np.fft.fftfreq(len(sig), d=dt) sig_fft = np.fft.fft(sig) sig_fft_shifted = np.fft.fftshift(sig_fft) # 现在 sig_fft_shifted[0] 对应最低负频，中间是 0Hz mask = np.abs(freqs) < 10 # 比如保留 ±10Hz 内 sig_fft_shifted[~mask] = 0 sig_filtered = np.fft.ifft(np.fft.ifftshift(sig_fft_shifted))
漏掉 ifftshift() 这一步，会导致相位混乱，重构信号严重失真。
采样率和频率轴必须手动算，fft.fftfreq() 不自动适配你的 dt
fft.fftfreq(n, d=1.0) 中的 d 是采样间隔（秒），不是采样率。常见错误是传入 fs=1000（采样率），却没转成 d=1/1000，结果频率轴整体缩放错 1000 倍。
使用场景中容易混淆的点：
- 若你有时间数组
t = np.linspace(0, 1, 1000, endpoint=False)，则d = t[1] - t[0]，别硬写 0.001 -
fftfreq()返回的频率顺序与fft()输出一致（未 shift），而fftshift()后需用fft.fftshift(fftfreq(...))对齐 - 对于实信号用
rfft()，对应频率轴应改用fft.rfftfreq(n, d)，它只返回非负频率（含 Nyquist），长度为n//2 + 1
fft 模块默认按行处理多维数组，跨轴操作要显式指定 axis
对二维信号（如多通道 EEG、图像行方向滤波），fft.fft() 默认作用于 axis=-1（即每行独立变换）。若想对列做 FFT（比如逐时间点跨通道分析），必须传 axis=0。
容易踩的坑：
- 忘记指定
axis导致维度错乱，例如arr.shape == (100, 512)（100 个通道 × 512 采样点），想对每个通道做 FFT，应写np.fft.fft(arr, axis=1)，而非默认的axis=-1（此时也对 512 维做，结果一样，但语义模糊） - 使用
fft.fft2()或fft.fftn()时，若只希望某几个轴参与，需用axes参数，如fft.fftn(arr, axes=(0, 2)) - 广播操作（如乘滤波器）前务必确认变换轴与滤波器维度对齐，否则触发
ValueError: operands could not be broadcast together
离散傅里叶变换本身不难调用，真正卡住人的永远是频率轴理解、shift/unshift 配对、以及多维数据中 axis 的隐式假设——这些地方一旦出错，结果看起来“差不多”，但实际相位全毁，滤波完全失效。
