谢谢您的答复。我注册了这个网站，所以不确定我的名字是否相同，但我是 OP。我不太确定我是否完全理解重采样和插值如何帮助我的解决方案。如果我下采样（假设每 100 个样本），我将有一个小 100 倍的 Dataframe 大小，但元素不是均匀分离的，即两个样本之间的采样时间不是恒定的。

如果我之后上采样以在我的 Datafra 中创建空条目，我会得到我的原始 Dataframe 大小。到现在为止还挺好。但是在我的情况下，插值函数似乎不起作用。我是 Pandas 的新手，所以请耐心等待 :)

import math
import numpy as np
from scipy.fftpack import fft
import matplotlib.pyplot as plt
import pandas as pd


buckstruct = pd.read_csv('buck.txt', sep = '\\t', engine='python')
buckstruct.index = pd.to_datetime(buckstruct.index, unit='s')
buckstruct_downsampled = buckstruct.resample('100s').sum()
buckstruct_upsampled = buckstruct_downsampled.resample('10s').sum()
buckstruct_interpolated = buckstruct_upsampled.interpolate()

EDIT1：以前的贡献合并到这个答案中：

感谢您的回复。是的，它是 LTSpice，感谢您提供的工具。我会看看它。虽然在 Python 中也有一个解决方案会很好。

让我反过来问这个问题，因为我不是 FFT 专家。毕竟，也许不需要这种解决方法。

鉴于我的 .txt 文件中的 RAW 数据样本，即未重新采样、插值或其他任何方式，并且通过简单地运行 FFT，我收到以下 FFT 结果：

所以，我在 0（x 轴）处有大约 1.75（y 轴）的东西，在 300（x 轴）处有大约 0.5（y 轴）的东西。

300 不是频率，因为我的电子电路的频率是 100kHz。所以我需要找到一种方法将图中的 300 映射到 100kHz 以匹配我的模拟。如果采样率恒定，这相当容易。但是，如果 .txt 中的采样率不均匀，也有可能吗？

谢谢，

EDIT2：问题的解决方案：将非统一数据集转换为统一数据集。

这可以使用 Scipy 的插值函数来实现。下面是一个不需要初始数据集的最小工作示例，但使用来自初始数据集的 10 个连续数据样本。可以看出，采样时间不是恒定的，这使得执行 FFT 和提取频率变得困难。使用插值函数，可以实现恒定的采样时间，生成的数据集可用于 FFT 计算。该过程是首先获得插值函数，然后对于给定的数据长度执行实际插值并将插值数据集用于FFT目的。我希望这个最小的工作示例对其他人有用。谢谢，

# Minimum working example to show the effectiveness of the interpolation function

import matplotlib.pyplot as plt
from scipy import interpolate
import numpy as np

time_raw = [0.0009999650511607746,
 0.000999965566641282,
 0.0009999660821217893,
 0.0009999672947956213,
 0.0009999682836389868,
 0.0009999696068367931,
 0.0009999715724226046,
 0.000999978044536965,
 0.0009999994033983994,
 0.001]

signal_raw = [1.132772,
 1.132642,
 1.132511,
 1.132205,
 1.1319549999999998,
 1.13162,
 1.131124,
 1.1294879999999998,
 1.124091,
 1.12394]

fxxx = interpolate.interp1d(time_raw, signal_raw)

num = len(time_raw)
xx = np.linspace(time_raw[0], time_raw[-1], num)
yy = fxxx(xx)

plt.figure(1)
plt.plot(time_raw, signal_raw,'bo-', label='Original')
plt.plot(xx,yy,'g.-', label='Interpolated')
plt.ylim([1.120, 1.135])
plt.legend();

然后，使用模拟的实际数据集对初始问题产生的 FFT 与预期的一样。我为这个凌乱的线程道歉。

看起来您正在使用 LTspice。如果是这样，在LTspice 组中，您会找到一个小的免费实用程序 ，ltsputil它完全可以满足您的需求，也许更多。如果您在理解它的工作原理时遇到问题，小组中也有关于它的用法的问题，尽管它应该很容易。

首先，这个小命令行实用程序可以发挥作用，因此如果您阅读帮助文件ltsputil_help.txt. 在该文件中，搜索Export data from raw file，您将进入相关部分。test.raw下面是一个由 LTspiceXVII 保存在 中的文件的示例用法.TRAN，并且只保存了一个变量V(out)：

1. 第一次运行ltsputil17raw4.exe test.raw tmp.raw。这会将 XVII 风格的.raw数据转换为 IV 风格（ltsputil为 LTspiceIV 编写的）。显然，如果.raw文件已经用 LTspiceIV 保存，则不需要此步骤。

2. 然后通过运行应用相等的间距'ltsputil.exe -eo tmp.raw out.raw 131072 ""。这会$e$限定时间步长，而$o$重写输出文件（如果存在）。因为test.raw有 145746 点，为了举例说明，我选择了下一个较低的 2 次方，即使 Octave 可以fft很好地处理这个点数。

3. 运行ltsputil.exe -xo0 out.raw data.txt "%14.6e" "," "" 0 1。这将$x$提取数据，$o$重写输出（如果存在），并写入$0$仅 SPICE 数据。其他命令行参数用于数字格式、分隔以及要保存的跟踪。默认情况下，为time变量 (in .TRAN) 或freq(in .AC) 保存第一列，因此$0$和$1$最后表示保存第一列（$0$, time) 和实际数据，第 2 列 ($1$, V(out))。

可能有一些剩余.tmp文件，可以安全删除。作为比较，从 LTspice as 导出数据rawdata.txt将保留变量时间步长及其导数（右），与结果（左）相比，如下所示：

它不是完全线性的，但肯定不是原始的。厚度来自插值发生的小凸起。

至于频率，你必须事先知道总的仿真时间。对于这种情况，它是$t=800 \mathrm{\mu s}$，以及选择的点数$N=131072$. 这些给出了较低的频率$f_{min}=\frac{1}{t}=1.25\mathrm{kHz}$和上限频率$f_{max}=\frac{N}{2t}=81.92\mathrm{MHz}$. 有了这些，您可以生成适当的linspace()or logspace()。

但是，关于这部分，我不太确定，但很可能我做错了，因为使用f = linspace(1250, 81920000, 65536)（一半的点数仅绘制 的前半部分fft）不能正确对齐峰。

由于 OP 已经在 Python 中使用 Pandas，Pandas 支持变量重采样；在此处和 pandas 的重新采样文档中有更多详细信息

https://machinelearningmastery.com/resample-interpolate-time-series-data-python/

对于 OP 的目的，最直接的方法是重新采样到固定速率，然后从该数据中使用标准 FFT 算法来计算 DFT。