NumPy 的 fft 函数默认对数组的最后一维（axis=-1）做变换；fftfreq 需传入采样间隔 d 才得真实频率；fft 输出等长复数数组，含完整频谱；fftshift 仅重排索引以居中零频。
fft 函数默认对哪一维做变换？
NumPy 的 fft 系列函数（比如 fft.fft）默认只对数组的**最后一维**（即 axis=-1）做一维傅里叶变换。这不是“自动识别信号维度”，而是硬编码规则——哪怕你传入的是二维图像数据，它也不会默认沿时间轴或空间轴处理，除非你显式指定 axis。
常见错误现象：np.fft.fft(img_2d) 返回形状和输入一致的复数数组，但变换其实是逐行进行的（因为行是最后一维），不是你想做的“整张图二维频谱”。
- 若处理时间序列（shape 为
(N,)），不用管axis，默认就对它变 - 若处理多通道信号（shape 为
(N, C)），想对每条通道独立变，得写np.fft.fft(x, axis=0)（让变换沿第 0 维发生，即每列一个 FFT） - 二维图像想做真正的二维 FFT，必须用
np.fft.fft2，而不是套fft两次
fft 和 fftfreq 配合时，采样率怎么传才不翻车？
np.fft.fftfreq 生成的频率数组，默认单位是“周期/采样点”，也就是归一化频率。要得到真实物理频率（Hz），必须传入实际采样间隔 d（单位：秒），即 fs = 1/d。漏传或传错 d，画出来的横轴就全偏了。
使用场景：你有一段 1 秒长、采样率 1000 Hz 的音频，共 1000 个点。此时 d = 0.001，调用应为 np.fft.fftfreq(1000, d=0.001)，结果才是 0, 1, 2, ..., 499, -500, ..., -1（Hz）。
- 如果误写成
fftfreq(1000, d=1)，得到的是 0, 0.001, 0.002, ... —— 单位变成 kHz，数值小了 1000 倍 - 如果数据是等时间间隔但起始时间不为 0（比如从 t=2.5s 开始），
d仍只取决于间隔，和起始无关 - 对非均匀采样数据，
fft不适用；得先插值或换用 Lombscargle 等方法
为什么 fft 结果是复数，且长度和输入一样？
np.fft.fft 输出复数数组，实部是余弦分量幅值，虚部是正弦分量幅值。长度和输入相同，是因为它计算的是离散傅里叶变换（DFT）的标准定义，不是“只返回正频率”——后半段负频率是共轭对称的，但 NumPy 保留全部，方便逆变换精确还原。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
性能影响：保留全部点意味着内存和计算量都是 O(N)，没做任何截断或压缩。如果你只关心幅度谱，记得用 np.abs(fft_result)；如果只想要单边谱（如画图），要手动取前半（含直流）+ 合并负频共轭（或直接用 np.fft.rfft）。
-
rfft对实数输入更省：输出长度是N//2 + 1，只含非负频率，且是实数数组（最后一个是 Nyquist 频率，可能为实） - 用
ifft还原时，必须用和fft完全同构的复数数组，不能只喂一半过去 - 注意浮点误差：即使原始数组是实数，
ifft(fft(x))的虚部通常不严格为 0，要用.real或np.real_if_close
fftshift 怎么用才不把频谱中心搞错？
np.fft.fftshift 的作用是把零频分量移到频谱中心——但它**不改变数值，只重排顺序**。很多人以为它“做了某种变换”，其实只是索引平移。错用位置（比如在 fft 前调用，或对错误维度调用）会导致频谱完全错位。
典型场景：画二维图像的频谱图，希望低频在中间、高频在四周。必须按顺序来：f2d = fft2(img); f2d_shifted = fftshift(f2d)，再用 abs 或 log 显示。
- 对一维结果，
fftshift把[0,1,...,N-1]变成[N//2, ..., N-1, 0, ..., N//2-1]（偶数 N） - 对多维数组，默认对所有轴 shift；如只想 shift 第一维，写
fftshift(arr, axes=0) - 如果之后还要做
ifft2，别忘了先ifftshift回去——fftshift和ifftshift对偶数长度互为逆操作，但对奇数长度也安全
真正容易被忽略的是：FFT 结果的相位信息极其敏感，哪怕输入数组末尾多一个零、少一个零，整个相位谱都可能跳变。做对比实验时，务必检查数组长度、填充方式、是否去均值——这些细节比选哪个函数影响更大。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
