【Python】这篇文章能让你明白经验模态分解（EMD）——EMD在python中的实现方法
暂时打断一下滤波专题，插播一条EMD在python中实现方法的文章。
本篇是Mr.看海：这篇文章能让你明白经验模态分解（EMD）——EMD在MATLAB中的实现方法的姊妹篇，也就是要在python中实现EMD分解并画图。
一、使用PyEMD实现EMD分解及画图
在python环境中，PyEMD包是比较好用的。PyEMD中不仅包含了EMD分解方法，还包括EEMD和CEEMDAN，以及绘制简易图片的方式。
PyEMD的官方文档在这里：Intro - PyEMD 0.2.13 documentation
1.1 安装软件包
最简便的安装方式是使用pip安装，也就是在命令行窗口执行：
pip install EMD-signal注意不是pip install PyEMD哈
另外还有一种手动下载源码安装的方式，具体方式在上边的官方文档里，这里就不详细介绍了。大多数情况下使用pip安装就行。
1.2 导入工具包
接下来就可以编写python脚本了，首先需要导入PyEMD工具包（以及过会儿要用的matplotlib，如果没有安装，需要在命令行窗口执行：pip install Matplotlib）：
from PyEMD import EMD
import pylab as plt生成一个随机信号：
import numpy as np
s = np.random.random(100)执行EMD分解：
emd = EMD()
IMF = emd.emd(s)工具包内置了Visualisation可视化工具，但是使用下来并不是特别好用，这里使用Matplotlib画图。
官方提供了一段画图的程序：
N = IMF.shape[0]+1
# Plot results
plt.subplot(N,1,1)
plt.plot(t, s, 'r')
plt.title("Input signal")
plt.xlabel("Time [s]")
for n, imf in enumerate(IMF):
plt.subplot(N,1,n+2)
plt.plot(t, imf, 'g')
plt.title("IMF "+str(n+1))
plt.xlabel("Time [s]")
plt.tight_layout()
plt.savefig('simple_example')
plt.show()画出来是这样的：
咋说呢，有点差强人意。python绘制子图像的标题显示有些小bug，我们可以把它挪到左边，另外按照惯例，我们可以把最后一个分量的名称改成res。
二、画图的快速实现
我们在上述代码的基础上再次进行了封装，实现“一行代码”画图的目的。因为之前我们对MATLAB的“类EMD”分解方法画图有了一系列的方法，这里我们作为姊妹篇，在画图风格上也与之保持一致。
比如绘制EMD分解的时域图像，只需要调用这样一句：
imf = funEMD.pEMD(data,t) #t为数据的时间轴，第二个入口参数也可以输入采样频率fs，会自动计算时间轴画出来的图是这样的：
这样是不是更符合习惯一些了。
此外还可以绘制时域和频域的对比图，也只需要调用这样一句代码：
imf = funEMD.pEMDandFFT(data,t) #t为数据的时间轴，第二个入口参数也可以输入采样频率fs，会自动计算时间轴
当然啦，如果你直接copy上边的两行代码是画不了图的，因为上述代码运行还依赖一些程序以及环境，不过总体来说还是比较简便易用的了。
需要注意的一点，上边的图片中用到的分析对象信号和在MATLAB那篇文章中是一样的，但是分解结果并不相同。虽然EMD分解的原理是相对明确的，但是在具体的编程实现的过程中还涉及很多具体计算过程，比如包络的求取、停止准则的选定等等，其中参数或者计算方式的变化都会影响到最终结果，MATLAB和python的EMD实现是两个不同的库，在这些细节之处难免存在差异（即使都是用在MATLAB上的官方库和第三方库之间都会有差异），所以使用python和MATLAB进行EMD分解得到的结果不同是正常现象。
如果想要获取上边的封装画图函数和应用案例，可以在下边的链接获取：
EMD画图工具（python版） | 工具箱文档
三、跨平台python补完计划
由于滤波专题讲完之后准备正式开始神经网络专题了，其中关于分类、预测等内容计划同时介绍在MATLAB和python两个平台上的实现方法，考虑到之前专栏基本都是使用MATLAB编程的，所以小编将会开启python补完计划，对于之前已经实现的类EMD分解、特征提取、降噪等等会逐步完善在python中的具体代码实现，希望能保住到有需要的同学们吧。
欢迎持续关注我的专栏与信号处理有关的那些东东。