以下是一个使用Python实现巴特沃斯低通滤波器的示例代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import butter, filtfilt

def butter_lowpass(cutoff, fs, order=5):
    nyquist = 0.5 * fs
    normal_cutoff = cutoff / nyquist
    b, a = butter(order, normal_cutoff, btype='low', analog=False)
    return b, a

def butter_lowpass_filter(data, cutoff, fs, order=5):
    b, a = butter_lowpass(cutoff, fs, order=order)
    y = filtfilt(b, a, data)
    return y

# 示例数据
fs = 100.0  # 采样频率
t = np.arange(0, 1, 1/fs)  # 时间向量
f1 = 5  # 信号频率
f2 = 20  # 干扰频率
data = np.sin(2*np.pi*f1*t) + 0.5*np.sin(2*np.pi*f2*t)

# 设计低通滤波器
cutoff = 10  # 截止频率
order = 6  # 滤波器阶数
filtered_data = butter_lowpass_filter(data, cutoff, fs, order)

# 绘制结果
plt.figure(figsize=(10, 4))
plt.plot(t, data, 'b-', label='Original Data')
plt.plot(t, filtered_data, 'r-', linewidth=2, label='Filtered Data')
plt.xlabel('Time [sec]')
plt.ylabel('Amplitude')
plt.legend()
plt.grid(True)
plt.show()

以上代码中，butter_lowpass函数用于设计巴特沃斯低通滤波器，返回滤波器的系数。butter_lowpass_filter函数则使用这些系数对输入数据进行滤波处理。在示例中，我们生成了一个包含两个频率成分的示例数据，然后使用低通滤波器对其进行滤波，截止频率为10Hz，滤波器阶数为6。最后，我们使用Matplotlib库绘制了原始数据和滤波后的数据的图形。