别再被频谱图搞晕了！用Python的Scipy库5分钟搞定信号功率谱分析（附Welch和CSD代码）

别再被频谱图搞晕了！用Python的Scipy库5分钟搞定信号功率谱分析（附Welch和CSD代码）

第一次看到频谱图时，那些起伏的曲线和密集的频率刻度让我头皮发麻。直到在实验室里导师扔给我一段Python代码："用这个分析你的振动数据，比公式直观多了。"三行 scipy.signal.welch() 调用就输出了清晰的功率谱——那一刻我才明白，现代信号处理早已不是纸笔推演的时代。

对于需要快速分析噪声特征、设备振动或生物信号的工程师和学生，功率谱密度（PSD）是揭示信号频率成分的利器。但传统教材往往陷于傅里叶变换的数学推导，而实际工作中我们更关心：如何用代码快速获得可信的频谱？怎样设置参数才能避免频谱泄露？两个信号的相干性如何量化？本文将用 完全可复现的代码示例 带你绕过理论沼泽，直击APSD（自功率谱）和CPSD（互功率谱）的实战要点。

1. 五分钟上手指南：从数据到频谱

假设你刚拿到一组工业传感器的振动数据，需要立即评估其主要频率成分。打开Jupyter Notebook，跟着以下步骤操作：

# 基础分析套件
import numpy as np
from scipy.signal import welch
import matplotlib.pyplot as plt

# 生成模拟信号（实际替换为你的数据）
fs = 1000  # 采样率1000Hz
t = np.arange(0, 5, 1/fs)  # 5秒时长
signal = 0.6 * np.sin(2*np.pi*50*t) + 0.3 * np.sin(2*np.pi*120*t)  # 50Hz+120Hz复合信号

# 关键参数设置
nperseg = 1024  # 每个分析段长度
noverlap = 512   # 段间重叠样本数

# 计算功率谱
freqs, psd = welch(signal, fs=fs, nperseg=nperseg, noverlap=noverlap)

# 可视化
plt.figure(figsize=