wavedec函数用于执行多级小波分解wavedec(data, wavelet, mode='symmetric', level=None, axis=-1) 为默认值，前面两个是数据和小波，mode:指定信号扩展模式,常见的扩展模式:

• 'zero'：在信号两端使用零填充的方式进行扩展。
• 'symmetric'：在信号两端使用对称填充的方式进行扩展，即将信号进行镜像对称后填充。
• 'periodic'：在信号两端使用周期填充的方式进行扩展，即将信号首尾相接形成周期信号后进行填充。
• 'constant'：在信号两端使用常数填充的方式进行扩展，可以指定填充的常数值。

level：分解层数，注意这里如果不填，会默认使用最大分解层数，即dwt_max_level

axis：用于指定计算DWT的轴。没有给出该参数，则默认使用最后一个轴进行DWT计算。

return返回值：列表

[cA_n, cA_n, cD_n-1, ..., cD2, cD1]

n是分解层数，cA_n近似系数，cA_n细节系数，每一个细分为很多个array([ 5., 13.])

它建立在dwt的底层基础上，拼接得到。DWT(Discrete Wavelet Transform离散小波变换)用于执行一级小波变换

>>> (cA, cD) = pywt.dwt([1, 2, 3, 4, 5, 6], 'db1')

SWT静止小波变换（Multilevel 1D stationary wavelet transform）

def swt(data, wavelet, level=None, start_level=0,axis=-1,trim_approx=False,norm=False)

前面几个参数都已经知道，注意后面几个，

• trim_approx参数是一个布尔类型的参数，如果设置为True，表示在最后一层保留近似系数（approximation coefficients），如果设置为False，则不保留。近似系数是小波变换中用于重构原始信号的部分。

• norm参数也是一个布尔类型的参数，如果设置为True，表示对变换进行归一化，使得变换后的系数能量等于原始数据的能量。换句话说，当trim_approx为True时，通过对变换系数进行合并，其能量将与原始数据的能量相等。

• 返回值：列表

  [(cAn, cDn), ..., (cA2, cD2), (cA1, cD1)]，如果给了开始层数m,

  [(cAm+n, cDm+n), ..., (cAm+1, cDm+1), (cAm, cDm)]

• 与其分解版本（pywt.wavedecn）相比，这种变换的一个主要优点是它是平移不变的（shift-invariant）。这样做的代价是变换的冗余性，即输出系数的大小比输入要大。