import numpy as np
import matplotlib.pyplot as plt
import scipy.fftpack

# Number of samplepoints
N = 600
# sample spacing
T = 1.0 / 800.0
x = np.linspace(0.0, N*T, N)
y = np.sin(50.0 * 2.0*np.pi*x) + 0.5*np.sin(80.0 * 2.0*np.pi*x)
yf = scipy.fftpack.fft(y)
xf = np.linspace(0.0, 1.0/(2.0*T), N//2)

fig, ax = plt.subplots()
ax.plot(xf, 2.0/N * np.abs(yf[:N//2]))
ax.set(
    xlim=(0, 100)
)
plt.show()

只需将xlim

另一种解决方案是绘制适当的值范围。
当执行FFT时，结果的频率步长，以及达到某个频率的bin数，取决于提交给FFT算法的样本数和采样率。因此，当选择要绘制的范围时，需要执行简单的计算，例如，以f为中心的bin的索引为：

idx = ceil(f * t.size / sr)

以下代码有效：

from numpy import arange, sin, pi, abs
from math import ceil
import matplotlib.pyplot as plt
from scipy.fft import rfft, rfftfreq

sr = 800 # Sampling rate = 800Hz
N = 600 # Number of samplepoints (duration = 0.75s)
t = arange(0, N/sr, 1/sr) # Sampling times

# Sampled values
s = sin(50 * 2*pi*t) + 0.5*sin(80 * 2*pi*t)

# FFT and bin centers
y = rfft(s)
f = rfftfreq(t.size, 1/sr)

# Index of 100Hz bin
f_hi = 100
idx_hi = ceil(f_hi * t.size / sr)

# Plot spectrum
fig, ax = plt.subplots()
ax.plot(f[:idx_hi], abs(y[:idx_hi]))
plt.show()

并产生：

由于您只处理真实的信号，因此可以使用rfft代替处理复值的fft来缩短计算时间。