在信号发生器脚本中优化代码结构，能够显著提升代码的可读性、可维护性和性能。以下是针对信号发生器脚本的代码结构优化方法，涵盖模块化设计、面向对象编程、性能优化和错误处理等方面：
一、模块化设计：拆分功能，降低耦合
1. 按功能划分模块
将信号发生器的核心功能拆分为独立模块，每个模块负责单一职责。例如：
波形生成模块：生成正弦波、方波、锯齿波等基础波形。
调制模块：实现幅度调制（AM）、频率调制（FM）、相位调制（PM）。
滤波模块：对信号进行低通、高通、带通滤波。
输出控制模块：管理DAC/ADC通信、硬件接口配置。
参数配置模块：读取用户输入或配置文件，设置频率、幅度等参数。
示例目录结构：
signal_generator/├── core/ # 核心算法│ ├── waveform.py # 波形生成│ ├── modulation.py # 调制算法│ └── filter.py # 滤波算法├── hardware/ # 硬件接口│ ├── dac_driver.py # DAC控制│ └── adc_reader.py # ADC读取├── config/ # 配置管理│ └── settings.py # 参数配置└── main.py # 主程序入口
2. 定义清晰的接口
每个模块通过函数或类暴露接口，隐藏内部实现细节。
示例：waveform.py 定义生成正弦波的接口：
pythondef generate_sine(freq: float, sample_rate: float, duration: float) -> np.ndarray:"""生成正弦波样本 Args: freq: 频率（Hz） sample_rate: 采样率（Hz） duration: 持续时间（秒） Returns: NumPy数组，包含波形样本 """t = np.linspace(0, duration, int(sample_rate * duration), endpoint=False)return np.sin(2 * np.pi * freq * t)
二、面向对象编程（OOP）：封装与复用
1. 使用类封装信号发生器
将信号发生器的状态和行为封装为类，便于管理和扩展。例如：
python
class SignalGenerator:
def __init__(self, sample_rate: float):
self.sample_rate = sample_rate
self.freq = 1e3 # 默认频率
self.amp = 1.0 # 默认幅度
self.wave_type = "sine" # 默认波形类型
def set_parameters(self, freq: float, amp: float, wave_type: str):
"""设置信号参数"""
self.freq = freq
self.amp = amp
self.wave_type = wave_type
def generate(self, duration: float) -> np.ndarray:
"""生成信号样本"""
t = np.linspace(0, duration, int(self.sample_rate * duration), endpoint=False)
if self.wave_type == "sine":
return self.amp * np.sin(2 * np.pi * self.freq * t)
elif self.wave_type == "square":
return self.amp * np.sign(np.sin(2 * np.pi * self.freq * t))
# 其他波形类型...
2. 继承与多态：扩展信号类型
通过继承实现不同信号类型的扩展，避免重复代码。例如：
python
class BaseWaveform:
def generate(self, t: np.ndarray) -> np.ndarray:
raise NotImplementedError
class SineWave(BaseWaveform):
def __init__(self, freq: float, amp: float):
self.freq = freq
self.amp = amp
def generate(self, t: np.ndarray) -> np.ndarray:
return self.amp * np.sin(2 * np.pi * self.freq * t)
class SquareWave(BaseWaveform):
def generate(self, t: np.ndarray) -> np.ndarray:
return self.amp * np.sign(np.sin(2 * np.pi * self.freq * t))
三、性能优化：提升运行效率
1. 向量化计算
使用NumPy等库进行向量化操作，替代Python循环，显著提升计算速度。
示例：生成正弦波时，避免逐点计算：
python
# 低效：Python循环
def generate_sine_slow(freq, sample_rate, duration):
samples = []
for i in range(int(sample_rate * duration)):
t = i / sample_rate
samples.append(np.sin(2 * np.pi * freq * t))
return np.array(samples)
# 高效：NumPy向量化
def generate_sine_fast(freq, sample_rate, duration):
t = np.linspace(0, duration, int(sample_rate * duration), endpoint=False)
return np.sin(2 * np.pi * freq * t)
2. 缓存重复计算结果
对频繁调用的计算结果（如滤波器系数）进行缓存，避免重复计算。
示例：使用functools.lru_cache缓存滤波器设计：
python
from functools import lru_cache
@lru_cache(maxsize=32)
def design_lowpass_filter(cutoff: float, sample_rate: float, order: int):
"""设计低通滤波器并缓存结果"""
# 使用SciPy设计滤波器...
return b, a
3. 并行化处理
对独立任务（如多通道信号生成）使用多线程或多进程并行处理。
示例：使用concurrent.futures生成多通道信号：
python
from concurrent.futures import ThreadPoolExecutor
def generate_channel(freq: float, sample_rate: float, duration: float):
t = np.linspace(0, duration, int(sample_rate * duration), endpoint=False)
return np.sin(2 * np.pi * freq * t)
def generate_multichannel(freqs: list, sample_rate: float, duration: float):
with ThreadPoolExecutor() as executor:
channels = list(executor.map(
lambda f: generate_channel(f, sample_rate, duration),
freqs
))
return np.stack(channels, axis=1) # 合并为多通道信号
四、错误处理与健壮性
1. 参数验证
在关键函数入口处验证参数合法性，避免无效输入导致崩溃。
示例：
pythondef generate_sine(freq: float, sample_rate: float, duration: float) -> np.ndarray:if freq <= 0:raise ValueError("Frequency must be positive")if sample_rate <= 2 * freq:raise ValueError("Sample rate must be > 2 * frequency (Nyquist criterion)")# 生成波形...
2. 异常捕获与日志记录
捕获硬件操作等可能失败的异常，并记录详细日志。
示例：
python
import logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
def write_to_dac(samples: np.ndarray, device_path: str):
try:
with open(device_path, "wb") as f:
f.write(samples.tobytes())
except IOError as e:
logger.error(f"Failed to write to DAC: {e}")
raise
五、配置管理：灵活性与可扩展性
1. 使用配置文件
将参数（如频率范围、采样率）存储在配置文件（如YAML、JSON）中，便于修改。
示例：config/settings.yaml：
yamlsignal_generator:sample_rate: 10e6 # 10MHzdefault_freq: 1e3 # 1kHzwave_types: ["sine", "square", "sawtooth"]
2. 命令行参数解析
使用argparse或click库解析命令行参数，覆盖默认配置。
示例：
python
import argparse
def parse_args():
parser = argparse.ArgumentParser()
parser.add_argument("--freq", type=float, default=1e3, help="Signal frequency (Hz)")
parser.add_argument("--wave", choices=["sine", "square"], default="sine", help="Waveform type")
return parser.parse_args()
六、代码复用与第三方库
1. 复用现有库
优先使用成熟的第三方库（如NumPy、SciPy、PyAudio）实现核心功能，避免重复造轮子。
示例：使用scipy.signal设计滤波器：
python
from scipy.signal import butter, lfilter
def apply_lowpass_filter(data: np.ndarray, cutoff: float, sample_rate: float, order: int):
b, a = butter(order, cutoff / (0.5 * sample_rate), btype="low")
return lfilter(b, a, data)
2. 插件化架构
通过插件机制支持扩展信号类型或调制方式，无需修改主程序。
示例：定义插件接口：
python
class WaveformPlugin:
def generate(self, t: np.ndarray) -> np.ndarray:
raise NotImplementedError
# 插件实现（如三角波）
class TriangleWave(WaveformPlugin):
def generate(self, t: np.ndarray) -> np.ndarray:
return 2 * np.abs(2 * (t % 1) - 1) - 1 # 归一化到[-1, 1]
七、文档与测试：保障质量
1. 代码注释与文档字符串
为模块、类和函数添加清晰的文档字符串（Docstring），说明用途、参数和返回值。
示例：
pythondef generate_square(freq: float, sample_rate: float, duration: float) -> np.ndarray:"""生成方波信号 Args: freq: 频率（Hz） sample_rate: 采样率（Hz） duration: 持续时间（秒） Returns: NumPy数组，包含方波样本（取值：-1或1） """t = np.linspace(0, duration, int(sample_rate * duration), endpoint=False)return np.sign(np.sin(2 * np.pi * freq * t))
2. 单元测试与集成测试
编写测试用例验证模块功能，使用pytest或unittest框架。
示例测试：
python
import pytest
import numpy as np
def test_generate_sine():
freq = 1e3
sample_rate = 10e3
duration = 0.01
wave = generate_sine(freq, sample_rate, duration)
assert len(wave) == int(sample_rate * duration)
# 验证频率是否正确（通过FFT分析主频）
fft_result = np.fft.fft(wave)
dominant_freq = np.argmax(np.abs(fft_result[:len(fft_result)//2])) * sample_rate / len(wave)
assert np.isclose(dominant_freq, freq, atol=1) # 允许1Hz误差
总结
优化信号发生器脚本的代码结构需遵循以下原则：
模块化：拆分功能为独立模块，降低耦合。
面向对象：使用类封装状态和行为，支持扩展。
性能优化：向量化计算、缓存结果、并行处理。
健壮性：参数验证、异常捕获、日志记录。
灵活性：配置管理、命令行参数、插件化架构。
可维护性：文档注释、单元测试、代码复用。
通过以上方法，可显著提升信号发生器脚本的质量、性能和可维护性，适应复杂应用场景的需求。
