我正在寻找一种从信号中获取频率的方法。这是一个例子：
signal = [numpy.sin(numpy.pi * x / 2) for x in range(1000)]
此数组将表示录制声音的样本（x = 毫秒）
sin(pi*x/2) => 250 赫兹
我们如何从信号（点列表）中获取频率？
注意： 我已经阅读了许多 Stackoverflow 线程并观看了许多 youtube 视频。我还没有找到答案。请使用简单的词。 （感谢每一个回答）
【问题讨论】：
标签： python signals fft frequency
您正在寻找的是Fourier Transform
让我们从formal definition开始：
傅里叶变换 (FT) 将函数（通常是时间或信号的函数）分解为其组成频率
这本质上是一种数学运算，当应用于信号时，可以让您了解每个频率在时间序列中的呈现方式。为了了解这背后的一些直觉，查看DFT 的数学定义可能会有所帮助：
这里的k 一直向上扫到N-1 以计算所有DFT 系数。
首先要注意的是，这个定义有点类似于两个函数的相关性，在这种情况下是x(n) 和负指数函数。虽然这看起来有点抽象，但通过使用Euler's formula 并稍微调整一下定义，DFT 可以表示为与正弦波和余弦波的相关性，这将解释虚数和DFT 的真实部分。
因此请记住，这实质上是计算相关性，每当复指数分解中的相应正弦或余弦与 x(n) 匹配时，X(K) 中就会出现一个峰值，这意味着，这种频率存在于信号中。
所以在给出了非常简短的理论背景之后，让我们考虑一个例子来看看如何在 python 中实现它。让我们考虑following signal：
Fs = 150.0; # sampling rate
Ts = 1.0/Fs; # sampling interval
t = np.arange(0,1,Ts) # time vector
ff = 50; # frequency of the signal
y = np.sin(2*np.pi*ff*t)
plt.plot(t, y)
plt.xlabel('Time')
plt.ylabel('Amplitude')
现在，可以使用np.fft.fft 计算 DFT，如前所述，它将告诉您现在在变换域中信号中每个频率的贡献：
n = len(y) # length of the signal
k = np.arange(n)
T = n/Fs
frq = k/T # two sides frequency range
frq = frq[:len(frq)//2] # one side frequency range
Y = np.fft.fft(y)/n # dft and normalization
Y = Y[:n//2]
现在，如果我们绘制实际频谱图，您会看到我们在 50Hz 的频率处得到一个峰值，从数学角度来说，它是一个以 50Hz 基频为中心的 delta 函数。这可以在以下Table of Fourier Transform Pairs 表中检查。
所以对于上面的信号，我们会得到：
plt.plot(frq,abs(Y)) # plotting the spectrum
plt.xlabel('Freq (Hz)')
plt.ylabel('|Y(freq)|')
【讨论】：