[科普] 快速傅里叶变换(FFT)和离散傅里叶变换(DFT)的差异

快速傅里叶变换(FFT)和离散傅里叶变换(DFT)的差异

一份带严谨推导与完整 Python 实验的科普博客

---

前言

很多人把“FFT”当成“DFT 的快一点版本”，这句话没错，但只说了 10 % 的故事。
本文用尽量通俗的语言讲清三件事：

1. 数学上 FFT 与 DFT 到底“等价”在哪里，又“差异”在哪里；
2. FFT 的复杂度为什么能从 O(N²) 降到 O(N log N)；
3. 用一段完全可复现的 Python 代码，把这两种算法放在显微镜下比较：速度、误差，以及结果是否完全一样。

---

1. 定义：DFT 与 FFT 是什么？

1.1 离散傅里叶变换（DFT）

给定长度为 $N$ 的复数序列 $x[n]$，其 DFT 定义为
$$X[k]=\sum _{n=0}^{N-1}x[n]e^{-j2\pi kn/N},k=0,1,\dots ,N-1$$
直接按公式计算需要 $N^2$ 次复数乘加，复杂度 $O(N^2)$。

1.2 快速傅里叶变换（FFT）

FFT 不是一种“新的变换”，而是计算 DFT 的一族算法。
最常见的是基-2 Cooley–Tukey FFT，它要求 $N$ 为 2 的幂（$N=2^m$）。

---

2. 数学推导：为什么 FFT 更快？

2.1 分治思路

把序列按奇偶下标拆成两部分：

• $x_{\text{even}}[r]=x[2r]$
• $x_{\text{odd}}[r]=x[2r+1]$

则
$$\begin{array}{rl}X[k]& =\sum _{r=0}^{N/2-1}{x}_{\text{even}}[r]e^{-j2\pi k(2r)/N}+\sum _{r=0}^{N/2-1}{x}_{\text{odd}}[r]e^{-j2\pi k(2r+1)/N}\\ & =\sum _{r=0}^{N/2-1}{x}_{\text{even}}[r]e^{-j2\pi kr/(N/2)}+e^{-j2\pi k/N}\sum _{r=0}^{N/2-1}{x}_{\text{odd}}[r]e^{-j2\pi kr/(N/2)}\\ & =E[k]+W_N^{k}O[k]\end{array}$$
其中

• $E[k],O[k]$ 是 $N/2$ 点 DFT；
• $W_N^k=e^{-j2\pi k/N}$ 称为旋转因子（twiddle factor）。

2.2 复杂度分析

递推关系：$T(N)=2T(N/2)+O(N)$，根据主定理得到 $T(N)=O(N\log N)$。

---

3. Python 实验：DFT vs FFT

下面代码完全不依赖任何现成 FFT 实现，自己写

• naive_dft(x)：O(N²) 直接公式
• my_fft(x)：递归版基-2 Cooley–Tukey FFT
• 再用 NumPy 的 np.fft.fft 作为基准。

3.1 完整代码

import numpy as np
import time# ---------- 1. 朴素 O(N^2) DFT ----------
def naive_dft(x):x = np.asarray(x, dtype=complex)N = x.shape[0]n = np.arange(N)k = n.reshape((N, 1))M = np.exp(-2j * np.pi * k * n / N)return M @ x# ---------- 2. 手写递归基-2 FFT ----------
def my_fft(x):x = np.asarray(x, dtype=complex)N = x.shape[0]if N <= 1:return xif N % 2 != 0:raise ValueError("基-2 FFT 需要 N 为 2 的幂")even_part = my_fft(x[0::2])odd_part  = my_fft(x[1::2])terms = np.exp(-2j * np.pi * np.arange(N) / N)return np.concatenate([even_part + terms[:N//2] * odd_part,even_part + terms[N//2:] * odd_part])# ---------- 3. 实验 ----------
N = 2**12            # 4096 点
x = np.random.randn(N) + 1j*np.random.randn(N)# 3.1 正确性
X_np   = np.fft.fft(x)
X_dft  = naive_dft(x)
X_fft  = my_fft(x)
print("最大绝对误差 |X_np - X_dft| =", np.max(np.abs(X_np - X_dft)))
print("最大绝对误差 |X_np - X_fft| =", np.max(np.abs(X_np - X_fft)))# 3.2 速度
for name, func in [("naive DFT", naive_dft),("my FFT",    my_fft),("NumPy FFT", np.fft.fft)]:start = time.perf_counter()_ = func(x)print(f"{name:10s}: {time.perf_counter()-start:.4f} s")

3.2 一次典型输出（i7-12700H）

最大绝对误差 |X_np - X_dft| = 3.59519849195666e-10
最大绝对误差 |X_np - X_fft| = 4.069369499369586e-13
naive DFT : 0.9763 s
my FFT    : 0.0443 s
NumPy FFT : 0.0001 s

3.3 结果解读

• 数值等价性：三种实现的最大误差在 $10^{-13}$ 量级，即机器精度；FFT 与 DFT 在数学意义上完全一致。
• 速度差异：
  • 朴素 DFT 的 $O(N^2)$ 在 $N=4096$ 时已超 0.9 s；
  • 手写 FFT 快 $24\times$；
  • NumPy 的 FFT（C/Fortran 优化 + SIMD）再快 $400\times$。

把 $N$ 改成 $2^{15}$，朴素 DFT 会跑 1 分钟以上，而 FFT 仍 $<0.1\text{s}$。

---

4. 常见疑问 Q&A（节选）

问题	回答
FFT 会不会损失精度？	与 DFT 相比，算法本身不会；浮点误差来源是有限精度运算，FFT 的误差量级与直接 DFT 相同。
任意长度都能用 FFT 吗？	基-2 FFT 要求 $N$ 为 2 的幂；实际库会采用混合基、Bluestein 等算法，支持任意长度，但仍以 2 的幂最快。
FFT 只能算复数输入？	实序列 FFT 有专门的 rfft，利用共轭对称性再省一半计算量。

---

5. 结论

• DFT 是一种数学变换；FFT 是一种高效计算 DFT 的算法族。
• 二者结果在数学上完全等价，差异仅在计算复杂度与实现细节。
• 通过今天 60 行 Python，你亲手验证了从 $O(N^2)$ 到 $O(N\log N)$ 的飞跃——这就是算法之美。

---

6. 参考 & 延伸

• Cooley, Tukey. “An Algorithm for the Machine Calculation of Complex Fourier Series.” Math. Comp. 1965.
• Press et al. Numerical Recipes, 3rd ed., ch. 12.
• Numpy FFT documentation: https://numpy.org/doc/stable/reference/routines.fft.html

---

研究学习不易，点赞易。
工作生活不易，收藏易，点收藏不迷茫 ：）

---