3分钟吃透电磁波谱图源码解析，面试不再卡壳

面试时被问“电磁波谱图原理详解”，你答得上来吗？大多数开发者一听就懵，觉得这是物理题，跟代码没关系。其实不然，在信号处理、通信模块开发或嵌入式系统中，理解电磁波谱图的生成逻辑，往往意味着你要手写或调优一段源码解析。别被名词吓退，今天咱们不聊高深的麦克斯韦方程组，只聊如何用代码把这张图“画”出来，以及底层逻辑到底是怎么回事。

为什么面试老爱问这个？

很多后端或嵌入式工程师以为，只要会调 FFT 库就行。但面试官追问：“如果采样率不对，频谱图为什么会‘混叠’？”这时候，如果你只会调 numpy.fft，那就露馅了。

电磁波谱图本质上是时域信号到频域的映射。在代码层面，它涉及三个核心步骤：

时域采集：模拟或真实传感器的离散化数据。
傅里叶变换：将时域信号转换为频域复数数组。
幅度归一化与可视化：计算模长，取对数（dB），最后画图。

面试考察的不仅是你会不会画图，而是你懂不懂奈奎斯特采样定理，懂不懂窗函数对频谱泄漏的影响。下面咱们直接上代码，对比两种主流实现方式，看哪种更适合作为面试时的“源码解析”素材。

方案对比：NumPy vs Scipy

在实际项目中，处理频谱图主要有两个流派：一个是“极简派”，直接用 NumPy；另一个是“工程派”，用 Scipy。它们各有优劣，选错了不仅代码冗长，还可能踩坑。

核心差异速查表

特性	NumPy (基础版)	Scipy (工程版)
核心函数	`np.fft.rfft`	`scipy.signal.welch`
计算复杂度	低，单次 FFT	高，分段平均 FFT
抗噪能力	弱，受噪声影响大	强，平均后可平滑噪声
代码行数	少，约 5 行	多，约 10 行
适用场景	实时性要求高、数据量大、噪声小	离线分析、噪声环境、精度要求高
面试加分点	展示底层理解	展示工程落地能力

注意：很多初学者喜欢用 matplotlib.pyplot.plot 直接画 fft 的结果，这会导致频谱只有一半（正频率），且幅度不对。官方文档中明确指出，对于实数输入，使用 rfft (Real FFT) 能节省 50% 的计算资源，且结果只包含非负频率，更符合物理直觉。

代码写法对比：从源码解析入手

咱们不看那种复制粘贴就完事的 Demo，而是拆解每一行代码背后的意义。这也是源码解析的核心价值。

方案一：NumPy 极简实现（侧重底层原理）

这段代码适合在面试中手写，展示你对 FFT 输出的理解。

import numpy as np
import matplotlib.pyplot as plt# 1. 参数设置
fs = 1000        # 采样频率 Hz
T = 1.0          # 持续时间 秒
N = int(fs * T)  # 采样点数# 2. 生成信号：一个 10Hz 的正弦波 + 随机噪声
t = np.linspace(0, T, N, endpoint=False)
signal = np.sin(2 * np.pi * 10 * t) + 0.5 * np.random.randn(N)# 3. 执行 FFT
# 关键点：rfft 返回 N//2 + 1 个复数，对应 0 到 fs/2 的频率
fft_result = np.fft.rfft(signal)# 4. 计算幅度谱
# 关键点：模长需要除以 N 进行归一化，否则幅度与原始信号不符
magnitude = np.abs(fft_result) / N# 5. 生成频率轴
frequencies = np.fft.rfftfreq(N, d=1/fs)# 6. 绘图
plt.figure(figsize=(10, 4))
plt.plot(frequencies, magnitude)
plt.title("Spectrum using NumPy (Single FFT)")
plt.xlabel("Frequency (Hz)")
plt.ylabel("Amplitude")
plt.grid(True)
plt.show()

逐行解析：

np.linspace(..., endpoint=False)：为什么去掉最后一个点？因为正弦波在 \(T\) 时刻与 \(0\) 时刻重合，去掉可以避免边界效应导致的频谱泄漏。
np.abs(fft_result) / N：这是最容易被问倒的地方。FFT 的输出是累加值，除以 \(N\) 后，幅度才代表实际物理量的幅值。如果信号是 \(A \sin(\omega t)\)，这里的峰值应该接近 \(A/2\)（单边谱）。
rfftfreq：生成对应的频率数组，步长是 \(fs/N\)。

方案二：Scipy 工程实现（侧重抗噪与精度）

在真实项目中，单次 FFT 往往不够用。噪声会让频谱图“毛刺”满天飞。源码解析这部分时，要强调“分段平均”的概念。

import numpy as np
import scipy.signal
import matplotlib.pyplot as plt# 1. 参数设置
fs = 1000
T = 1.0
N = int(fs * T)
t = np.linspace(0, T, N, endpoint=False)# 2. 生成更复杂的信号：10Hz 主频 + 50Hz 干扰 + 强噪声
signal = np.sin(2 * np.pi * 10 * t) + 0.3 * np.sin(2 * np.pi * 50 * t) + 0.8 * np.random.randn(N)# 3. 使用 Welch 方法计算功率谱密度 (PSD)
# 关键点：nperseg 定义每段长度，overlap 定义重叠率
# 重叠率越高，估计越平滑，但计算量越大
f, psd = scipy.signal.welch(signal, fs=fs, nperseg=256,      # 每段 256 点，即 0.25 秒noverlap=128      # 重叠 50%
)# 4. 绘图
plt.figure(figsize=(10, 4))
plt.plot(f, psd)
plt.title("PSD using Scipy Welch Method")
plt.xlabel("Frequency (Hz)")
plt.ylabel("PSD")
plt.grid(True)
plt.xlim([0, 100]) # 只看 0-100Hz 区域
plt.show()

逐行解析：

scipy.signal.welch：这是官方文档推荐的稳健方法。它内部自动做了窗函数（默认 Hann 窗）、分段、FFT、功率计算和平均。
nperseg=256：频率分辨率由段长决定，\(\Delta f = fs / nperseg = 1000 / 256 \approx 3.9 Hz\)。段越短，分辨率越差，但平均次数越多，噪声越低。这是一个权衡。
输出是 PSD (Power Spectral Density)，单位通常是 \(V^2/Hz\)，比单纯的幅度谱更能反映能量分布。

进阶技巧与避坑指南

面试中，如果你能指出以下三个坑，基本就稳了：

1. 频谱泄漏（Spectral Leakage）

如果你采样的信号不是整数个周期，FFT 假设信号是无限重复的，就会在边界处产生跳变，导致能量“泄漏”到相邻频率。

解法：使用窗函数（Window Function）。NumPy 的 rfft 默认不加窗，你需要自己乘；Scipy 的 welch 默认加 Hann 窗。
代码补充：在 NumPy 方案中，加一行 window = np.hanning(N)，然后 signal = signal * window。

2. 直流分量（DC Offset）

如果信号有直流偏移（比如传感器偏置），频谱图的 0Hz 处会有一个巨大的峰值，可能掩盖低频信号。

解法：减去均值 signal = signal - np.mean(signal)。

3. 频率分辨率与观测时间的矛盾

你想看清两个靠得很近的频率（比如 10Hz 和 10.5Hz），就需要高频率分辨率。分辨率 \(\Delta f = 1/T_{obs}\)。观测时间 \(T_{obs}\) 越长，分辨率越高，但数据量越大。

避坑：不要为了分辨率无限拉长采样时间，要平衡计算资源和实时性。

适用场景与选型建议

到底选 NumPy 还是 Scipy？看你的业务场景：

场景	推荐方案	理由
嵌入式/IoT 边缘端	NumPy (或纯 C/Assembly)	资源受限，需要极致轻量，实时性优先。
后端数据分析服务	Scipy	数据量大，噪声多，需要高置信度的统计结果。
面试手写代码	NumPy	代码短，容易记忆，能展示对 FFT 输出的深刻理解。
科研/高精度测量	Scipy + MDS (Maximum Entropy)	需要更高的分辨率和更复杂的谱估计算法。