python绘制频率直方图和进行傅里叶变换

需要的python包：

pandas：

pandas 是基于NumPy 的一种工具，该工具是为解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

pandas的数据结构：
**Series：**一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近。Series如今能保存不同种数据类型，字符串、boolean值、数字等都能保存在Series中。
**Time- Series：**以时间为索引的Series。
**DataFrame：**二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。
**Panel ：**三维的数组，可以理解为DataFrame的容器。
**Panel4D：**是像Panel一样的4维数据容器。
**PanelND：**拥有factory集合，可以创建像Panel4D一样N维命名容器的模块。

参考：https://pandas.pydata.org/

scipy：

• Scipy依赖于Numpy。
• Scipy包含的功能：最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理、图像处理、常微分方程求解器等。
• 应用场景:Scipy是高端科学计算工具包，用于数学、科学、工程学等领域

Scipy由一些特定功能的子模块组成:

参考：https://blog.youkuaiyun.com/pythoncsdn111/article/details/98395661
参考：https://docs.scipy.org/doc/scipy/reference/

matplotlib：

Matplotlib 是用于在 Python 中创建静态、动画和交互式可视化的库。
参考：https://matplotlib.org/

seaborn：

Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。

Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。同时它能高度兼容numpy与pandas数据结构以及scipy与statsmodels等统计模式

参考：https://seaborn.pydata.org/

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from scipy.stats import norm
import seaborn as sns
from scipy.fftpack import fft,ifft

绘制频率直方图：

def draw_hist(d):
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文无法显示的问题
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    sns.histplot(d, bins=20, kde=True)
    plt.xlabel('height')
    plt.ylabel('频率')
    plt.show()

输入的数据必须是排好序的，比如如下的调用方式：

d = pd.read_csv('D:/data.csv', usecols=['X'])
# mean = d.mean()
# stdv = d.std()
dre = d[(d['X'] < 0.040) & (d['X'] >=-0.040)]
draw_hist(np.sort(d))

傅里叶变换：

def draw_hist(d):
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文无法显示的问题
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    sns.histplot(d, bins=20, kde=True)
    plt.xlabel('height')
    plt.ylabel('频率')
    plt.show()

输入的时序数据，会绘制时域和频域两张图。
比如如下的调用方式：

    x = np.linspace(0,1,1419)
    y = 7*np.sin(2*np.pi*200*x)+5*np.sin(2*np.pi*400*x)+3*np.sin(2*np.pi*600*x)
    draw_fft(y)