Python中的 Matplotlib.axes.Axes.psd()

Matplotlib是一个数据可视化库，用于创建各种类型的图形-从简单的直方图到复杂的热图和3D图形。 Matplotlib.axes.Axes.psd()是Matplotlib的一个函数，可用于绘制信号的功率谱密度（PSD）估计值。

函数签名

Axes.psd(x, NFFT=None, Fs=None, detrend=None, window=None, noverlap=None, pad_to=None, sides=None, scale_by_freq=None, return_line=None, **kwargs)

参数

• x: 数组，一维或二维数据。如果x是二维数组，则函数将沿着轴0计算每个列的PSD。
• NFFT: 整数，默认为$256$。FFT的长度，必须是2的幂。较小的值将导致时间分辨率更高的估计值，更大的值将导致频率分辨率更高的估计值。
• Fs: 整数，默认为$2\pi$。采样频率。如果没有设置，则默认为$2\pi$。
• detrend: 字符串，默认为mpl.rcParams['text.antialiased']。指定如何消除直流分量。可选值为None，'mean'，'linear'，以及False。 None表示不去趋势。 'mean'从每个数据段中减去均值。'linear'指定拟合线性趋势并从数据中减去。False表示不去趋势。
• window: 字符串或数组，默认为'Hann'。指定窗的类型，或者是带有信号的向量。如果为字符串，则可以使用Hamming(Hann)、Hann(Hanning)、Blackman(blackman)或'none'。如果是一个实数值数组，则长度必须与数据长度相同，并且用于加权数据点。默认值是'Hann'或一个长度为NFFT的汉宁窗。
• noverlap: 整数，默认为None。覆盖长度。如果为None，则默认为$NFFT/2$。
• pad_to: 整数，默认为None。指定FFT输出的长度。如果为None，将使用NFFT的值。
• sides: 字符串，默认为'default'。指定PSD是否应该在单侧或双侧计算，因为频谱是实数，则默认为'两侧'。可选值为'default'（即从$0$至$F_s / 2$）， 'onesided'（即只计算从$0$至$F_s / 2$的幅值谱）以及'twosided'（即计算从$-F_s / 2$至$F_s / 2$的幅值谱）。
• scale_by_freq: True或False，默认为True。是否应该通过FFT的长度缩放PSD。
• return_line: True或False，默认为False。如果为True，则返回一个包含PSD估计值以及PSD直线的元组。

Returns

Numpy数组 包含PSD估计值的数组。如果设置了return_line为True，则返回一个元组，其中第一个是这个数组，第二个是直线的元组。

使用方法

首先，我们需要引入matplotlib：

import matplotlib.pyplot as plt

然后我们将创建一个包含随机信号的数组x：

import numpy as np
x = np.random.normal(size=1000)

最后，我们可以使用psd函数来获得PSD的估计值：

fig, axs = plt.subplots(2, 1, figsize=(6, 6))
axs[0].psd(x, NFFT=512, Fs=2, window=np.hanning(512))
axs[1].psd(x, NFFT=512, Fs=2, window=np.hanning(512), noverlap=256)
plt.show()

在这里，我们设置了NFFT为$512$，采样频率为$2$，使用了一个长度为$512$的汉宁窗。在第二个图中，我们也设置了noverlap为$256$，以获得更好的图像质量。

结论

Matplotlib.axes.Axes.psd()函数是一个有用的函数，用于估计信号的功率谱密度（PSD）。它基于FFT算法，并计算信号的频谱密度。使用它，您可以以一种简单和直观的方式可视化信号的频域特征。