### Python 中实现离散傅里叶变换 (DFT) 离散傅里叶变换(DFT)是一种处理有限长度离散时间信号的工具，在许多应用领域中扮演着重要角色，比如音频和图像处理。尽管DFT解决了频域离散化的问题，但是由于存在两个嵌套的求和操作，直接计算复杂度达到\(O(n^2)\)[^1]。 对于较短的数据集来说，这种复杂度可能是可接受的；然而当面对更大数据量时，则显得效率低下。因此，通常不会单独使用DFT来执行大规模数据分析任务，而是借助更快捷的方式——快速傅立叶转换(FFT)，后者基于前者进行了优化改进，使得整体性能提升至线性对数级别\[O(n\log n)\][^2]。 即便如此，在学习阶段或者特定需求下，理解如何手动编写一段简单的DFT代码仍然是有价值的。下面给出了一种基本形式下的Python版本： ```python import numpy as np def dft(x): N = len(x) X_k = [] for k in range(N): sum_real = 0.0 sum_imag = 0.0 for n in range(N): phi = ((2 * np.pi / N) * k * n) sum_real += x[n] * np.cos(phi) sum_imag -= x[n] * np.sin(phi) magnitude = np.sqrt(sum_real**2 + sum_imag**2) phase_angle = np.arctan2(sum_imag, sum_real) X_k.append((magnitude, phase_angle)) return np.array(X_k) ``` 此段程序实现了经典的离散傅里叶变换逻辑，其中`dft()`接收输入向量`x`作为参数，并返回对应的幅度谱以及相位角组成的元组列表。需要注意的是，这段代码主要用于教学目的，实际项目应优先考虑调用成熟的库函数如NumPy或SciPy中的相应方法[^3]。 上述自定义实现方式虽然有助于加深对原理的理解，但在真实场景的应用上并不推荐。因为像NumPy这样的科学计算包已经提供了高度优化过的API接口来进行此类运算，不仅速度快而且稳定性好。例如，可以通过如下简单语句完成相同的功能： ```python from scipy.fft import fft X = fft(signal_array) magnitudes = abs(X[:N//2]) * 2/N frequencies = np.linspace(0, sampling_rate/2, N//2) phases = np.angle(X[:N//2]) ``` 这里利用了Scipy提供的高效fft()函数代替手写的循环结构，从而大大简化了编码难度的同时提高了运行效能。此外还展示了如何提取有用的物理意义信息，如幅值大小(`magnitudes`)、对应频率位置(`frequencies`)及各分量之间的相对角度关系(`phases`)。