可以使用函数scipy.signal.firwin或scipy.signal.firwin2创建带通FIR滤波器。还可以使用scipy.signal.remez设计FIR滤波器
以下代码提供了一些用于创建带通FIR滤波器的方便 Package 器。它使用这些来创建与问题中要求的数字相对应的带通滤波器。这假设采样是均匀进行的。如果采样不均匀，则FIR滤波器是不合适的。

from scipy.signal import firwin, remez, kaiser_atten, kaiser_beta

# Several flavors of bandpass FIR filters.

def bandpass_firwin(ntaps, lowcut, highcut, fs, window='hamming'):
    taps = firwin(ntaps, [lowcut, highcut], fs=fs, pass_zero=False,
                  window=window, scale=False)
    return taps

def bandpass_kaiser(ntaps, lowcut, highcut, fs, width):
    atten = kaiser_atten(ntaps, width/(0.5*fs))
    beta = kaiser_beta(atten)
    taps = firwin(ntaps, [lowcut, highcut], fs=fs, pass_zero=False,
                  window=('kaiser', beta), scale=False)
    return taps

def bandpass_remez(ntaps, lowcut, highcut, fs, width):
    delta = 0.5 * width
    edges = [0, lowcut - delta, lowcut + delta,
             highcut - delta, highcut + delta, 0.5*fs]
    taps = remez(ntaps, edges, [0, 1, 0], fs=fs)
    return taps

if __name__ == "__main__":
    import matplotlib.pyplot as plt
    from scipy.signal import freqz

    # Sample rate and desired cutoff frequencies (in Hz).
    fs = 63.0
    lowcut = 0.7
    highcut = 4.0

    ntaps = 128
    taps_hamming = bandpass_firwin(ntaps, lowcut, highcut, fs=fs)
    taps_kaiser16 = bandpass_kaiser(ntaps, lowcut, highcut, fs=fs, width=1.6)
    taps_kaiser10 = bandpass_kaiser(ntaps, lowcut, highcut, fs=fs, width=1.0)
    remez_width = 1.0
    taps_remez = bandpass_remez(ntaps, lowcut, highcut, fs=fs,
                                width=remez_width)

    # Plot the frequency responses of the filters.
    plt.figure(1, figsize=(12, 9))
    plt.clf()

    # First plot the desired ideal response as a green(ish) rectangle.
    rect = plt.Rectangle((lowcut, 0), highcut - lowcut, 1.0,
                         facecolor="#60ff60", alpha=0.2)
    plt.gca().add_patch(rect)

    # Plot the frequency response of each filter.
    w, h = freqz(taps_hamming, 1, worN=2000, fs=fs)
    plt.plot(w, abs(h), label="Hamming window")

    w, h = freqz(taps_kaiser16, 1, worN=2000, fs=fs)
    plt.plot(w, abs(h), label="Kaiser window, width=1.6")

    w, h = freqz(taps_kaiser10, 1, worN=2000, fs=fs)
    plt.plot(w, abs(h), label="Kaiser window, width=1.0")

    w, h = freqz(taps_remez, 1, worN=2000, fs=fs)
    plt.plot(w, abs(h), '--',
             label="Remez algorithm, width=%.1f" % remez_width)

    plt.xlim(0, 8.0)
    plt.ylim(0, 1.1)
    plt.grid(True)
    plt.legend(shadow=True, framealpha=1)
    plt.xlabel('Frequency (Hz)')
    plt.ylabel('Gain')
    plt.title('Frequency response of several FIR filters, %d taps' % ntaps)

    plt.show()
    # plt.savefig('plot.png')

字符串
下面是脚本生成的情节。当然，在本地运行脚本要有用得多，这样您就可以放大细节。

的数据

尝试过滤采样率不一致的数据是非常困难的（不可能？）。因此，您将需要执行以下操作：
1.以固定采样率创建新信号。固定采样率应该是最大采样率或更高。通过设置一个新的“网格”来表示新样本的位置，并从现有数据中插入它们的值。根据所需的精度，存在多种插值方法。线性插值可能不是一个坏的起点，但它取决于你在做什么。如果你不确定的话，可以问https://dsp.stackexchange.com/。
1.一旦你做到了这一点，你就可以对你的信号应用标准的信号处理方法，因为样本是均匀放置的，比如你链接的帖子中描述的那些。
1.如有必要，可能需要再次插值以恢复原始采样位置。
如果你只想分析你的数据，你可能会对Lomb Periodigram感兴趣。而不是带通你的数据，然后分析，你会使用Lomb Periodigram，然后只看相关的频率，或权重的结果，无论你想要的。（另见数字食谱系列。第13.8章被称为“非均匀间隔数据的谱分析”，这似乎是一个比维基百科页面更友好的介绍）

另一选项将是（异步）采样率转换，以在滤波之前将数据转换为恒定采样率（如“网格化”）。当然，这只有在你知道采样率的情况下才有效，而且只有在你真的需要过滤数据（而不仅仅是估计频谱）的情况下才有用。
为此，例如插值的UnivariateSpline从scipy.插值可以应用于逐帧，这是相当快的。