### Python 中频谱分析与可视化的推荐库 在 Python 中，有多个强大的库可用于频谱分析和可视化。以下是一些常用且功能强大的库： #### 1. NumPy 和 SciPy NumPy 提供了基础的数组操作功能，而 SciPy 则扩展了这些功能以支持科学计算，包括信号处理和频谱分析[^1]。 ```python import numpy as np from scipy.fftpack import fft # 示例：生成一个正弦波并进行 FFT 分析 fs = 1000 # 采样频率 t = np.linspace(0, 1, fs, endpoint=False) # 时间向量 f = 5 # 正弦波频率 x = np.sin(2 * np.pi * f * t) # 正弦波 X = fft(x) # 快速傅里叶变换 freqs = np.fft.fftfreq(len(t), d=1/fs) # 频率轴 # 可视化频谱 import matplotlib.pyplot as plt plt.plot(freqs[:len(freqs)//2], np.abs(X[:len(X)//2])) plt.xlabel('Frequency (Hz)') plt.ylabel('Amplitude') plt.title('Spectrum Analysis') plt.grid() plt.show() ``` #### 2. Matplotlib Matplotlib 是一个广泛使用的绘图库，能够轻松创建频谱图和其他形式的可视化图表[^2]。 ```python import matplotlib.pyplot as plt # 使用 Matplotlib 绘制频谱图 plt.specgram(x, Fs=fs, cmap='viridis') plt.colorbar(label='Intensity dB') plt.xlabel('Time (s)') plt.ylabel('Frequency (Hz)') plt.title('Spectrogram') plt.show() ``` #### 3. PyAudio 和 librosa PyAudio 可用于实时音频数据采集，而 librosa 是一个专门针对音频信号处理的库，提供了丰富的频谱分析工具[^3]。 ```python import librosa import librosa.display # 加载音频文件 y, sr = librosa.load(librosa.ex('trumpet')) # 计算短时傅里叶变换（STFT） D = librosa.stft(y) # 可视化频谱图 librosa.display.specshow(librosa.amplitude_to_db(np.abs(D), ref=np.max), y_axis='log', x_axis='time', cmap='viridis') plt.colorbar(format='%+2.0f dB') plt.title('Spectrogram') plt.show() ``` #### 4. Bokeh 和 Plotly Bokeh 和 Plotly 是交互式可视化库，适用于需要动态交互的频谱分析场景[^4]。 ```python import plotly.graph_objects as go # 创建交互式频谱图 fig = go.Figure(data=[go.Scatter(x=freqs[:len(freqs)//2], y=np.abs(X[:len(X)//2]))]) fig.update_layout(title='Interactive Spectrum Analysis', xaxis_title='Frequency (Hz)', yaxis_title='Amplitude') fig.show() ``` #### 5. Scikit-learn 虽然 Scikit-learn 主要用于机器学习，但它也可以结合频谱分析结果进行特征提取和分类任务[^5]。 ```python from sklearn.decomposition import PCA # 对频谱数据进行主成分分析 pca = PCA(n_components=2) principalComponents = pca.fit_transform(np.abs(D).T) # 可视化降维后的结果 plt.scatter(principalComponents[:, 0], principalComponents[:, 1]) plt.xlabel('Principal Component 1') plt.ylabel('Principal Component 2') plt.title('PCA of Spectrogram Features') plt.show() ``` ---