如何实现butterworth滤波器

Question

我试图在jupyter中使用python实现一个蝴蝶过滤器。我是通过教程编写这段代码的。

数据来自CSV-File，它调用Samples.csv

Samples.csv中的数据如下

998,4778415
1009,209592
1006,619094
1001,785406
993,9426543
990,1408991
992,736118
995,8127334
1002,381664
1006,094429
1000,634799
999,3287747
1002,318812
999,3287747
1004,427698
1008,516733
1007,964781
1002,680906
1000,14449
994,257009

该列调用欧几里得Norm。数据的范围从0到1679.286158，它们是1838行。

这是木星的代码：

from scipy.signal import filtfilt
from scipy import stats

import csv
import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
import scipy
def plot():
    data=pd.read_csv('Samples.csv',sep=";", decimal=",")
    sensor_data=data[['Euclidian Norm']]
    sensor_data=np.array(sensor_data)
    
    time=np.linspace(0,1679.286158,1838)
    plt.plot(time,sensor_data)
    plt.show()
    
    filtered_signal=bandPassFilter(sensor_data)
    plt.plot(time,sensor_data)
    plt.show()
    
    
def bandPassFilter(signal):
    fs = 4000.0
    lowcut=20.0
    highcut=50.0

    nyq=0.5*fs
    low=lowcut/nyq
    high=highcut/nyq

    order =2

    b,a=scipy.signal.butter(order,[low,high],'bandpass',analog=False)

    y=scipy.signal.filtfilt(b,a,signal,axis=0)

    return(y)

plot()

我的问题是我的数据没有任何变化。它没有过滤我的数据。过滤后的数据的图形与源数据相同。有人知道会出什么问题吗？

第一个图是源数据，第二个图是过滤图。看起来很相似。就像同一张图

​

​

Answer 1

我还不能发表评论。

您永远不会使用filtered_signal并两次使用相同参数的绘图。

下面是我的一个实现，添加了内插，非常类似于您的实现：

def butterFit(data, freq, order=2):
    ar = scipy.signal.butter(order, freq)       # Gets params for filttilt
    return spfilter.filtfilt(ar[0], ar[1], data)


def plotFilteredSplines(timeframe, data, amount_points):
    # Generate evenly spread indices for the data points.
    indices = np.arange(0, len(data), amount_points)

    cutoff_freq = 2 / (2/10 * len(timeframe))
    # Reshape the data with butter :)
    data = butterFit(data, cutoff_freq)

    # Plot Fitlered data
    plt.plot(timeframe, data, '-.')
    interpol_x = np.linspace(timeframe[0], timeframe[-1], 100)

    # Get the cubic spline approx function
    interpolation = sp.interpolate.interp1d(timeframe, data, kind='cubic')

    # Plot the interpolation over the extended time frame.
    plt.plot(interpol_x, interpolation(interpol_x), '-r')

​

​