在使用Python进行信号处理过程中，利用 scipy.signal.filtfilt()可以快速帮助实现信号的滤波。

　　1.函数的介绍

　　(1).滤波函数

　　scipy.signal.filtfilt(b, a, x, axis=-1, padtype='odd', padlen=None, method='pad', irlen=None)

　　输入参数：

　　b: 滤波器的分子系数向量

　　a: 滤波器的分母系数向量

　　x: 要过滤的数据数组。(array型)

　　axis: 指定要过滤的数据数组x的轴

　　padtype: 必须是“奇数”、“偶数”、“常数”或“无”。这决定了用于过滤器应用的填充信号的扩展类型。{‘odd', ‘even', ‘constant', None}。

　　padlen：在应用滤波器之前在轴两端延伸X的元素数目。此值必须小于要滤波元素个数- 1。(int型或None)。

　　method：确定处理信号边缘的方法。当method为“pad”时，填充信号;填充类型padtype和padlen决定，irlen被忽略。当method为“gust”时，使用古斯塔夫森方法，而忽略padtype和padlen。{“pad” ，“gust”}。

　　irlen：当method为“gust”时，irlen指定滤波器的脉冲响应的长度。如果irlen是None，则脉冲响应的任何部分都被忽略。对于长信号，指定irlen可以显著改善滤波器的性能。(int型或None)。

　　输出参数：

　　y:滤波后的数据数组

　　(2).滤波器构造函数(仅介绍Butterworth滤波器)

　　scipy.signal.butter(N, Wn, btype='low', analog=False, output='ba')

　　输入参数：

　　N:滤波器的阶数。

　　Wn：归一化截止频率。计算公式Wn=2*截止频率/采样频率。(注意：根据采样定理，采样频率要大于两倍的信号本身最大的频率，才能还原信号。截止频率一定小于信号本身最大的频率，所以Wn一定在0和1之间)。当构造带通滤波器或者带阻滤波器时，Wn为长度为2的列表。

　　btype : 滤波器类型{‘lowpass', ‘highpass', ‘bandpass', ‘bandstop'},

　　output : 输出类型{‘ba', ‘zpk', ‘sos'},

　　输出参数：

　　b，a: IIR滤波器的分子(b)和分母(a)多项式系数向量。output='ba'

　　z,p,k: IIR滤波器传递函数的零点、极点和系统增益. output= 'zpk'

　　sos: IIR滤波器的二阶截面表示。output= 'sos'

　　2.函数的使用

　　信号滤波中最常用的无非低通滤波、高通滤波和带通滤波。下面简单介绍这三种滤波的使用过程：

　　(1).高通滤波

　　#这里假设采样频率为1000hz,信号本身最大的频率为500hz，要滤除10hz以下频率成分，即截至频率为10hz，则wn=2*10/1000=0.02。

　　from scipy import signal

　　b, a = signal.butter(8, 0.02, 'highpass')

　　filtedData = signal.filtfilt(b, a, data)#data为要过滤的信号

　　(2).低通滤波

　　#这里假设采样频率为1000hz,信号本身最大的频率为500hz，要滤除10hz以上频率成分，即截至频率为10hz，则wn=2*10/1000=0.02。

　　from scipy import signal

　　b, a = signal.butter(8, 0.02, 'lowpass')

　　filtedData = signal.filtfilt(b, a, data) #data为要过滤的信号

　　(3).带通滤波

　　#这里假设采样频率为1000hz,信号本身最大的频率为500hz，要滤除10hz以下和400hz以上频率成分，即截至频率为10hz和400hz,则wn1=2*10/1000=0.02,wn2=2*400/1000=0.8。Wn=[0.02,0.8]。

　　from scipy import signal

　　b, a = signal.butter(8, [0.02,0.8], 'bandpass')

　　filtedData = signal.filtfilt(b, a, data) #data为要过滤的信号