python数据处理、分析、可视化与数据化运营（Python在数据分析中的应用：利用SciPy和Matplotlib实现频谱分析并进行可视化展示）python初学 / python在数据分析与可视化中的应用...

PyQt6学习交流群最近组建了PyQt6学习交流群，大家积极交流，现在也100多号人，进群只能邀请，如果需要进群，加下面微信，拉进群。

绘制频谱图，可以通过scipy的spectrogram和matplotlib的specgram实现scipy.signal.spectrogram和matplotlib.pyplot.specgram都是用于生成和绘制信号的频谱图的函数，但它们之间存在一些差异：

库的不同：scipy.signal.spectrogram是SciPy库中的函数，SciPy是一个开源的Python算法库和数学工具包，提供了许多高级的数学算法和便利的函数而matplotlib.pyplot.specgram。

是Matplotlib库中的函数，Matplotlib是一个主要用于绘制图表的库功能的不同：scipy.signal.spectrogram主要用于计算信号的频谱图，返回频率、时间和Spectrogram的值，但不进行绘图。

而matplotlib.pyplot.specgram则既计算频谱图，又进行绘图参数的不同：两者的参数有一些差异例如，scipy.signal.spectrogram的nperseg参数用于指定每个段的长度，而。

matplotlib.pyplot.specgram的NFFT参数用于指定FFT的大小返回值的不同：scipy.signal.spectrogram返回三个值：频率、时间和Spectrogram的值而matplotlib.pyplot.specgram

返回四个值：频率、时间、Spectrogram的值和一个表示图像的对象总的来说，如果你只需要计算频谱图而不需要绘图，或者需要更多的控制和自定义选项，那么scipy.signal.spectrogram可能是更好的选择。

如果你需要快速地计算并绘制频谱图，那么matplotlib.pyplot.specgram可能更适合。1. scipy spectrogram

# 生成一个信号fs = 10e3 # 采样频率N = 1e5 # 信号长度amp = 2 * np.sqrt(2)noise_power = 0.01 * fs / 2time = np.arange(N) /

float(fs)mod = 500*np.cos(2*np.pi*0.25*time)carrier = amp * np.sin(2*np.pi*3e3*time + mod)noise = np.random.normal(scale=np.sqrt(noise_power), size=time.shape)

noise *= np.exp(-time/5)x = carrier + noise# 计算频谱图frequencies, times, Sxx = spectrogram(x, fs=fs)# 绘制频谱图

plt.pcolormesh(times, frequencies, 10 * np.log10(Sxx), shading=gouraud)plt.ylabel(Frequency [Hz])plt.xlabel(

Time [sec])plt.show()在上述代码中，各个参数的含义如下：fs：采样频率，表示每秒采样的次数在这个例子中，我们设置采样频率为10kHz，即每秒采样10000次N：信号长度，表示信号中的样本数量。

在这个例子中，我们设置信号长度为1e5，即信号中有100000个样本amp：信号的振幅在这个例子中，我们设置振幅为2 * sqrt(2)noise_power：噪声功率，表示噪声的强度在这个例子中，我们设置噪声功率为0.01 * fs / 2。

time：时间数组，用于生成信号和噪声在这个例子中，我们使用np.arange(N) / float(fs)生成一个从0到N/fs的等差数列，表示每个样本的采样时间mod：调制信号，用于调制载波信号在这个例子中，我们使用500。

np.cos(2np.pi0.25time)生成一个余弦调制信号carrier：载波信号，表示被调制的信号在这个例子中，我们使用amp * np.sin(2np.pi3e3*time + mod)生成一个正弦载波信号。

noise：噪声信号，用于添加到载波信号中在这个例子中，我们生成一个正态分布的随机噪声，并使用np.exp(-time/5)对其进行衰减x：最终的信号，由载波信号和噪声信号相加得到在计算频谱图的部分：frequencies

：频率数组，表示频谱图中的频率值times：时间数组，表示频谱图中的时间值Sxx：频谱图的值，表示在每个时间点每个频率的功率密度在绘制频谱图的部分：10 * np.log10(Sxx)：将频谱图的值转换为分贝单位。

Frequency [Hz]和Time [sec]：y轴和x轴的标签。plt.show()：显示图像。2. matplotlib specgram

class MainWindow(QMainWindow): def __init__(self, parent=None): super(MainWindow, self).__init__(parent)

self.setWindowTitle(Spectrogram Analysis) self.setWindowIcon(PyQt6.QtGui.QIcon("./icon/icons8-ok-240.png"

)) # 设置窗口图标# Create a QWidget as central widget self.main_widget = QWidget(self) self.setCentralWidget(self.main_widget)

# Create a QVBoxLayout instance layout = QVBoxLayout(self.main_widget)# Create a QPushButton instance

self.button = QPushButton(Load Data) self.button.clicked.connect(self.load_data)# Create a Figure instance

self.figure = Figure()# Create a FigureCanvas instance self.canvas = FigureCanvas(self.figure)

# Add the QPushButton and FigureCanvas to layout layout.addWidget(self.button) layout.addWidget(self.canvas)

# Initialize data self.data = None def load_data(self):# Open a QFileDialog and load data from the selected file

filename, _ = QFileDialog.getOpenFileName(self, Open File, , Text Files (*.02);;All Files (*)

)if filename: self.data = np.genfromtxt(filename, delimiter=, filling_values=np.nan)print(self.data)

self.update_figure() def update_figure(self):if self.data is not None:# Clear the Figure

self.figure.clear()# Create an Axes instance ax = self.figure.add_subplot(111)

# Plot the spectrogram#Pxx, freqs, bins, im = ax.specgram(self.data[:, 1:], NFFT=256, noverlap=128, Fs=1, mode=magnitude) #

Sxx ,freqs, times, im = ax.specgram(self.data[:, 1:], NFFT=1024, noverlap=256, Fs=1, mode=

magnitude) ##freqs, times, Sxx = spectrogram(self.data[:, 1], fs=1.0, nperseg=2048, noverlap=1024, window=hann)

是的，`mode`参数在`specgram`函数中有多个选项，可以用来控制频谱的计算方式以下是一些可能的选项： - `default`：返回功率谱密度（Power Spectral Density，PSD）。

- `psd`：返回功率谱密度（Power Spectral Density，PSD），这与default模式相同 - `magnitude`：返回每个频率的幅度。

- `angle`：返回每个频率的相位角 - `phase`：返回每个频率的相位（未归一化） - `complex`：返回复数表示的频谱，包含幅度和相位信息。

注意，不同的`mode`选项会返回不同类型的数据，选择哪种模式取决于你的具体需求 `ax.specgram()`函数返回四个参数，它们分别是： 1. `Pxx`：二维数组，表示频谱的值。

数组的行对应于频率（从低到高），列对应于时间（从左到右） 2. `freqs`：一维数组，表示`Pxx`中每行对应的频率 3. `bins`：一维数组，表示`Pxx`中每列对应的时间。

4. `im`：一个`.image.AxesImage`实例，可以用于进一步定制图像的显示在你的例子中，`NFFT=256`表示每个窗口包含256个数据点，`noverlap=128`表示每两个窗口之间有128个数据点的重叠，`Fs=1`表示采样频率为1Hz，`mode=。

magnitude`表示计算每个频率的幅度# Redraw the FigureCanvas#as.xlim(0,0.01)#freqs, times, Sxx = spectrogram(self.data[:, 1], fs=1.0, nperseg=1024, noverlap=512, window=hann)。

#freqs, times, Sxx = spectrogram(self.data[:, 1], fs=1.0, nperseg=2048, noverlap=1024, window=hann)# Plot the spectrogram

#ax.pcolormesh(times, freqs, 10 * np.log10(Sxx), shading=auto) ax.pcolormesh(times, freqs, 10 * np.log10(Sxx), shading=

gouraud)# Redraw the FigureCanvas ax.set_ylim(0, 0.1) self.canvas.draw()#self.canvas.draw()

if __name__ == __main__: app = QApplication(sys.argv) window = MainWindow() window.show() sys.exit(app.exec())

相关的讨论使用 python 绘制音频的时频图、频谱图和 MFCC 特征图