csv数据的快速傅里叶变换答案

【问题标题】：fast fourier transform of csv datacsv数据的快速傅里叶变换
【发布时间】：2020-10-03 04:26:46
【问题描述】：

我有一个包含时间和扭矩数据的 csv 文件。 https://pastebin.com/MAT2rG3U此数据集因大小限制而被截断。

我正在尝试查找数据的 FFT 以找到振动的频率。

这是我的代码（这是我使用的示例 Fast Fourier Transform in Python ），它不会产生任何结果。我研究了很多在线资源，找不到我的错误

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

data = pd.read_csv('data.csv',index_col=0)
data = data['Torque'].astype(float).values
print(data)

N = data.shape[0] #number of elements
t = np.linspace(0, 300, N) 
#t=np.arange(N)
s = data

fft = np.fft.fft(s)
fftfreq = np.fft.fftfreq(len(s))

T = t[1] - t[0]
print(T)

f = np.linspace(0, 1 / T, N)
plt.ylabel("Amplitude")
plt.xlabel("Frequency [Hz]")
plt.plot(fftfreq,fft)
#plt.xlim(0,100)

plt.show()

【问题讨论】：

问“为什么这不起作用”在 SO 上不会走得太远。你得到什么样的错误？
无错误，plot中没有数据，fft全是nan。对不起，我糟糕的发帖礼仪。
您可以尝试绘制np.absolute(fft) 以确保这不是复数问题吗？无论如何，为了获得 fft 的大小，几乎总是应该这样做。
我试过 np.absolute(fft) 还是一样的结果。打印 fft 产生 [nan+nanj nan+nanj nan+nanj ... nan+nanj nan+nanj nan+nanj]
不知道输入频率是多少。

标签： python pandas numpy matplotlib fft

【解决方案1】：

您发布的内容对我有用，但您的数据对 FFT 无效，因为时间步长不一致。也就是说，您没有明确定义的采样率。

data = pd.read_csv('torque_data.txt',index_col=0)
data = data['Torque'].astype(float).values
print(data)

N = data.shape[0] #number of elements
t = np.linspace(0, 300, N) 
#t=np.arange(N)
s = data

fft = np.fft.fft(s)
fftfreq = np.fft.fftfreq(len(s))

T = t[1] - t[0]
print(T)

f = np.linspace(0, 1 / T, N)
plt.ylabel("Amplitude")
plt.xlabel("Frequency [Hz]")
plt.plot(fftfreq, np.absolute(fft))
#plt.xlim(0,100)

您未包含在为您提供 NaN 的样本中的数据可能有问题。

不过，在您提供的数据中，采样率并不一致，这是 FFT 所必需的。要查看这一点，请绘制时间步长的直方图：

# read in the data like this to get the times
data = pd.read_csv('torque_data.txt')
time = data['Seconds'].astype(float).values
data = data['Torque'].astype(float).values

# now look at the timesteps
fig, axs = plt.subplots()
time_deltas = t[1:]-t[:-1]
h = axs.hist(time_deltas, bins=50)

由于许多时间步长具有不同的值，我会担心是否信任 FFT。（当我第一次查看您的数据时，大多数较早的点似乎都有 0.004 秒的时间步长，所以我想知道您的数据收集是否会随着时间而变化，而不仅仅是随机的，而是无论如何，您也需要对其进行排序。）对此有一些解决方案，例如插值/重采样或下采样，但如果没有修复，就无法可靠地信任 FFT 结果。

【讨论】：