numpy.fft.fft 默认对输入数组的最后一个轴（axis=-1）执行一维离散傅里叶变换（dft），返回等长复数数组，不归一化、不移频，频率顺序为“0, 1, ..., n//2, -n//2+1, ..., -1”。
fft 函数默认做的是什么变换？
numpy.fft.fft 默认对输入数组的最后一个轴（即 axis=-1）执行一维离散傅里叶变换（DFT），返回复数数组，长度与输入相同。它不自动归一化，也不自动居中零频分量——这点和 MATLAB 的 fft 行为一致，但和某些信号处理库（如 SciPy 的 fftshift 配合习惯）有视觉差异。
- 输入必须是数字型数组（
float或complex），传入list会隐式转换，但建议显式用np.array(x, dtype=float)避免意外截断 - 若输入含
nan或inf，输出对应位置也是nan，且不报错，容易漏检 - 对实数输入，输出满足共轭对称性：
fft(x).conj() == fft(x[::-1] % len(x))，可用来验证
怎么让频谱图的零频在中间？
numpy.fft.fft 输出的频率顺序是“直流 → 正频率 → 负频率”（即 0, 1, ..., n//2, -n//2+1, ..., -1），直接画图会看到跳变。要用 numpy.fft.fftshift 重排：
import numpy as np f = np.fft.fft(x) f_shifted = np.fft.fftshift(f) # 把零频移到中心 freqs = np.fft.fftshift(np.fft.fftfreq(len(x), d=dt)) # 同步调整频率坐标
-
fftshift必须和fftfreq的fftshift配套使用，否则横坐标和数据错位 - 它对多维数组默认作用于所有轴；若只希望沿某轴（如时间轴）偏移，要显式写
fftshift(f, axes=0) - 注意：
ifftshift是逆操作，但在偶数长度时和fftshift结果相同；奇数长度时二者不同，还原时务必用ifftshift
为什么 real_fft（rfft）比 fft 快且省内存？
numpy.fft.rfft 专用于实数输入，利用共轭对称性只计算并返回约一半的频点（含直流和 Nyquist 点），输出长度为 n//2 + 1，dtype 为 complex。
- 输入是实数时，用
rfft比fft快约 2×，内存占用减半；但输入若为复数，rfft会静默截断虚部，只取实部——这是常见误用点 - 对应的逆变换必须用
irfft，不能混用ifft；且irfft默认输出长度为2*(len(rfft_output)-1)，若原始长度是奇数，需显式传n=len(x) - 示例：对长度为 1000 的实信号，
rfft返回 501 个复数；还原时写irfft(rf, n=1000)
采样率、时间步长和频率分辨率怎么对应？
关键关系就一条：df = 1 / (N <em> dt)</em>，其中 N 是点数，dt 是采样间隔（秒），df 是频率分辨率（Hz）。最高可分辨频率（奈奎斯特频率）是 1/(2dt)。
-
np.fft.fftfreq(N, d=dt)返回的就是按此规则生成的频率数组，单位与dt倒数一致（如dt单位是秒，则频率单位是 Hz） - 若信号实际持续时间短于
N * dt（比如只采集了前 500 点，但补零到 1024），df变小（频域更密），但不会提高真实频率分辨率，只是插值 - 补零（zero-padding）用
np.fft.fft(x, n=2048)即可，无需手动拼接数组；但要注意补零后fftfreq的n参数也要同步改
实际用的时候，最容易被忽略的是：频谱幅值要除以 N 才接近真实幅度（尤其做功率谱或与理论公式对比时），而很多人直接画 abs(fft(x)) 就去分析了。
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！
