了解时间序列数据上的傅立叶变换分量

Question

我正在学习 Tensorflow 教程，并且遇到了快速傅立叶变换：

fft = tf.signal.rfft(df['T (degC)'])
f_per_dataset = np.arange(0, len(fft))

n_samples_h = len(df['T (degC)'])
hours_per_year = 24*365.2524
years_per_dataset = n_samples_h/(hours_per_year)

f_per_year = f_per_dataset/years_per_dataset
plt.step(f_per_year, np.abs(fft))
plt.xscale('log')
plt.ylim(0, 400000)
plt.xlim([0.1, max(plt.xlim())])
plt.xticks([1, 365.2524], labels=['1/Year', '1/day'])
_ = plt.xlabel('Frequency (log scale)')

该数据集包含每小时的温度测量值。代码对此执行 FFT，以查看哪些组件有很大影响，基本上是在数据中找到周期性。这产生了以下情节：

虽然我不太了解X轴。我确实看到它是一个对数刻度，但是，我看到“1”对应于一年，“365.2524”代表每日周期。这是否意味着比例尺是“一年的第 n”，所以一年的第 1 是一年，一年的 365.2524 是一天，同样的逻辑 4 是一个季度，2 是半年之类的？如果是这样，最左边的值 (0) 是什么意思？在一年的第 0 日也有一些周期性——这在直觉上意味着什么？

这里还有一个。有一些关键的区别。这次的数据集是亚马逊股票的每日交易量（因此数据集不再是每小时，而是每天）。此外，该数据集仅包含 WEEKDAY 数据，因此将一年中的天数标记为 252（此数据集一年中的平均天数）。

fft = tf.signal.rfft(df['Volume'])
f_per_dataset = np.arange(0, len(fft))

n_samples_d = len(df['Volume'])
days_per_year = 252
years_per_dataset = n_samples_d/(days_per_year)

f_per_year = f_per_dataset/years_per_dataset
plt.step(f_per_year, np.abs(fft))
plt.xscale('log')
plt.xticks([1, 4, 252], labels=['1/Year', '1/quarter(???)', '1/day'])
_ = plt.xlabel('Frequency (log scale)')

这里的周期性没有那么明显，但是，我确实在“4”处找到了一个峰值。鉴于我更改了代码并且数据周期现在是每天而不是每小时，这仍然成立吗？4 点的峰值是否意味着存在季度周期？

最后，再次，零附近有一个大的“尖峰”是什么意思？数据集有12年的数据，这个主要周期是“每12年”吗？

谢谢！