scipy.signal.fftconvolve 更快因用 fft 将卷积复杂度从 o(n²) 降至 o(n log n)，且支持 mode='same'、需 ndarray 输入、实数信号宜用 rfft/irfft。
scipy.signal.fftconvolve 为什么比手写 for 循环快？
因为 fftconvolve 底层调用 FFT（快速傅里叶变换）实现卷积，时间复杂度从 O(n²) 降到 O(n log n)，尤其在长信号上优势明显。但要注意：它默认做「全卷积」，输出长度是 len(a) + len(b) - 1，不是原始信号等长。
- 若需「same」模式（输出与输入同长），加参数
mode='same' - 输入必须是
ndarray，不能是 Python list；否则报错AttributeError: 'list' object has no attribute 'ndim' - 实数信号建议用
scipy.fft.rfft配合irfft，比fft/ifft节省约一半计算量和内存
scipy.signal.periodogram 返回的 freqs 和 psd 单位是什么？
periodogram 默认返回频率单位是 Hz（前提是传了 fs 参数），psd 单位是 V²/Hz（假设输入是电压信号）。如果不设 fs，freqs 是归一化频率（0 到 0.5），psd 无量纲。
- 务必显式传入采样率：
f, Pxx = periodogram(x, fs=1000)，否则后续频率标注全是错的 - 窗口函数影响频谱泄漏：默认
window='boxcar'（即无窗），但实际中推荐window='hann' - 如果信号含直流偏移，
Pxx[0]会异常高——先用x - x.mean()去均值再分析
scipy.signal.find_peaks 找不到预期的频谱峰值？
常见原因是阈值、距离或宽度参数没调好，不是算法失效。它只对一维数组操作，且要求输入是实数、已排序的 x 轴无关（只看 y 值局部极值）。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
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
-
height是绝对幅值下限，不是相对值；若psd数值很小（如 1e-8），要设height=1e-9而非height=0.1 -
distance单位是数组索引步长，不是 Hz；若想限制“至少间隔 10 Hz”，得换算：distance = int(10 / (freqs[1] - freqs[0])) - 频谱主瓣宽、旁瓣高时，加
prominence比height更鲁棒，能过滤掉肩峰
用 scipy.signal.spectrogram 做时频图，y 轴为什么显示不全？
默认 spectrogram 返回的 f 频率轴只到 fs/2（奈奎斯特频率），但 matplotlib.imshow 或 pcolormesh 绘图时若未正确设置 extent，y 轴常被截断或拉伸。
- 绘图必须手动传
extent=[t[0], t[-1], f[0], f[-1]]，否则 y 轴显示为 0–100 或索引序号 -
nperseg太小（如 64）会导致频率分辨率差；太大（如 8192）则时间分辨率糊——折中选nperseg=2048或按公式nperseg ≈ fs / (freq_resolution_in_Hz) - 返回的
Sxx是功率谱密度（PSD），单位 V²/Hz；若要幅度谱，用np.sqrt(Sxx)，但注意对数刻度下应先转 dB：10 * np.log10(Sxx + 1e-30)
真正容易被忽略的是：所有 scipy.signal 函数都假设输入信号是等间隔采样的。如果你的数据点时间戳不均匀（比如来自日志文件），直接喂进去结果完全不可信——得先用 scipy.interpolate.interp1d 重采样到均匀网格。
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！
