numpy.fft.fft 默认对输入一维数组沿最后一轴（axis=-1）计算离散傅里叶变换（DFT），返回等长复数数组，零频分量位于索引0处，不归一化、不补零、不预处理。
fft 函数默认做的是什么变换？
numpy.fft.fft 对输入的一维数组做离散傅里叶变换（DFT），返回复数数组，长度与输入相同。它不自动归一化，也不对输入做任何预处理（比如去均值、加窗），输出的零频分量（DC）在索引 0 处，正频率从 1 到 n//2，负频率从 n//2+1 开始（对偶索引）。如果你直接画出 abs(fft(x))，会看到镜像对称——这是实信号 DFT 的共轭对称性导致的，不是 bug。
- 实信号的 FFT 结果满足
fft[k] == conj(fft[n-k])（模长对称，相位相反） - 如果你只关心幅度谱，通常取前半部分（含 DC 和 Nyquist 点）就够了：
np.abs(fft_result[:len(fft_result)//2 + 1]) - 不要误以为
fft默认返回“物理频率轴”——它只返回系数，频率坐标得自己算：freqs = np.fft.fftfreq(n, d=dt)
为什么 fftshift 后图形才看起来“正常”？
numpy.fft.fft 输出的顺序是 [0, 1, 2, ..., n/2, -n/2+1, ..., -1]（对偶排列），而人眼习惯把零频放在中间。所以直接绘图时，正负频率被劈开在两端，看着别扭。
- 调用
np.fft.fftshift可以把负频率块移到左边、正频率移到右边，零频居中 - 它只是重排数组顺序，不改变数值本身，也不影响逆变换
- 注意：必须对频率轴和 FFT 结果同时用
fftshift，否则横纵坐标对不上freqs = np.fft.fftfreq(n, dt) X = np.fft.fft(x) freqs_shifted = np.fft.fftshift(freqs) X_shifted = np.fft.fftshift(X)
- 如果你后续要用
ifft，记得先ifftshift回去（ifftshift和fftshift对偶长数组效果一样，但对奇数长度更安全）
real vs complex 输入对 fft 结果有什么影响？
NumPy 的 fft 自动适配输入类型：实数输入返回复数结果，复数输入也返回复数结果，但内存和计算路径略有差异。
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 实数输入会触发底层优化（如用 RFFT），速度略快，且结果具备共轭对称性
- 但如果你手动传入
np.complex64或np.complex128，它就走通用复数路径，不启用实数优化 - 更关键的是：若原始信号本是实数，但你无意中加了极小虚部（比如
x + 1e-15j），就会失去对称性，幅度谱不再镜像，还可能引入数值噪声 - 检查方式很简单：
np.allclose(X[1:n//2+1], np.conj(X[-1:-n//2-1:-1]))—— 若为 False，说明输入被污染或用了非实数 dtype
采样率和点数没设对，fft 频率分辨率就全错了
FFT 本身不“知道”你的采样率；fftfreq 里的 dt（采样间隔）和 n（点数）共同决定频率分辨率 df = 1/(n*dt) 和最大可观测频率 fs/2。
立即学习“Python免费学习笔记（深入）”；
- 常见错误：用
fs = 1000Hz 采样，但传给fftfreq的dt = 1/fs写成1000或0.001漏掉单位换算 - 点数
n必须是实际参与 FFT 的长度，不是原始信号长度。如果做了截断或补零，n就得用补零后的新长度 - 补零（zero-padding）不会提高真实分辨率（那是由采样时长决定的），但会让频谱看起来更“平滑”，便于观察峰值位置
- 真实分辨率只取决于总采样时间
T = n * dt，即df = 1/T。想提高分辨率，只能延长采集时间，不能靠多补零
FFT 的核心是快速算法，但真正用准它，得盯住采样参数、数据类型、频谱排列这三处。最容易漏的是 dt 单位错和忘记 fftshift 配对，一画图就发现频谱“歪了”。
