Je vais résumer la méthode en utilisant numpy et scipy dans le traitement FFT. Cette page compare les temps de traitement.
Je me suis référé à la page suivante. ■ Python NumPy SciPy: mise en forme de forme d'onde par traitement FFT (plus fluide) https://org-technology.com/posts/smoother.html
Commencez par créer des exemples de données à traiter.
import numpy as np
from scipy import fftpack
import matplotlib.pyplot as plt
#Exemple de création de données
n = 512 #Le nombre de données
dt = 0.01 #Intervalle d'échantillonnage
f = 1 #la fréquence
t = np.linspace(1, n, n)*dt-dt
y = np.sin(2*np.pi*f*t)+0.5*np.random.randn(t.size)
#Traitement FFT et création d'axe de fréquence
yf = fftpack.fft(y)/(n/2)
freq = fftpack.fftfreq(n, dt)
① Comment utiliser scipy fftpack (fft, ifft)
yf = fftpack.fft(y)/(n/2)
freq = fftpack.fftfreq(n, dt)
fs = 2
yf2 = np.copy(yf)
yf2[(freq > fs)] = 0
yf2[(freq < 0)] = 0
y2 = np.real(fftpack.ifft(yf2)*n)
Temps de calcul: 48,2 µs ± 869 ns par boucle (moyenne ± écart type de 7 analyses, 10000 boucles chacune)
② Comment utiliser scipy fftpack (rfft, irfft)
yf = fftpack.rfft(y)/(n/2)
freq = fftpack.fftfreq(n, dt)
fs = 2
yf2 = np.copy(yf)
yf2[(freq > fs)] = 0
yf2[(freq < 0)] = 0
y2 = np.real(fftpack.irfft(yf2)*(n/2))
Temps de calcul: 38,7 µs ± 723 ns par boucle (moyenne ± écart type de 7 analyses, 10000 boucles chacune)
③ Comment utiliser numpy fft
yf = np.fft.fft(y)/(n/2)
freq = np.fft.fftfreq(n, d=dt)
fs = 2
yf2 = np.copy(yf)
yf2[(freq > fs)] = 0
yf2[(freq < 0)] = 0
y2 = np.real(np.fft.ifft(yf2)*n)
Temps de calcul: 41,3 µs ± 2,3 µs par boucle (moyenne ± écart type de 7 analyses, 10000 boucles chacune)
Le résultat est 1ère place 38.7us ② Comment utiliser scipy fftpack (rfft, irfft) 2e place 41,3us ③ Comment utiliser numpy fft 3ème place 48.2us ① Comment utiliser fftpack de scipy (fft, ifft)
c'est tout.
Recommended Posts