据我所知，在 FFT 中，频率箱的数量正好是样本数 / 2。
但是，matplotlib.specgram 给了我一个 bin 太多了。
fig, [ax1, ax2, ax3] = plt.subplots(nrows=3, ncols=1)
Pxx, freqs, times, im = ax3.specgram(raw_normalized, NFFT=1024, Fs=sampleRate, noverlap=overlap, window=matplotlib.mlab.window_none, scale='linear')
Pxx 包含频谱图的数组，它应该有 512 个 bin（由于样本数设置为 1024），但它有 513 个。 我对 FFT 的理解是否有问题，或者 matplotlib 库中有什么问题/古怪？
【问题讨论】：
标签： python matplotlib fft
只是一个疯狂的猜测，但如果您将 NFFT 设置为 1024，它应该有 1024 个 bin。但是，如果您的输入是实值，则这些值应该是对称的。第0个值应该是直流值，第512个值应该是频率最高的值。第 511 和第 513 应该相同，因此频谱图可能会过滤掉对称值，因为它知道输入是实值。所以你得到 513 个值。 （因为第 513 到第 1023 个值是隐藏的；当然从 #0 开始计数）
这背后的原因是 FFT 在您的数据之上折叠了一个“旋转”值。它开始缓慢旋转，#0 是 dc 值，然后是 #1，它是对整个数据进行一次旋转。 #2 是两次旋转，以此类推。
#512 是对 1024 个点的数据进行 512 次旋转，这意味着您每 2 个样本获得一个完整的旋转。这是您的数据的奈奎斯特频率，上面的所有内容都将受到混叠的影响。因此#513 看起来与#511 相同，只是反向旋转。 #1023 与 #1 相同，只是单次旋转，但方向相反。
对于复值数据，顺时针旋转和逆时针旋转折叠会有所不同，但对于实值数据则相同。 因此可以丢弃 #513 到 #1023 的值，留下 513 个有意义的桶。
另一个细节：从技术上讲，FFT 的输出值总是复杂的，即使是实值输入，并且包含幅度和相位信息，但是您的库可能会过滤掉相位信息并只给出幅度，将其转换回实值输出值。
【讨论】：