/
Praktikum.py
325 lines (271 loc) · 8.05 KB
/
Praktikum.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
# -*- coding: utf-8 -*-
"""
Created on Wed Mar 5 18:03:48 2014
Useful tools for Grundpraktikum Physik, based on MAPLE sheet Praktikum.mws
@author: henning
"""
import numpy as np
from numpy import sqrt,sin,cos,log,exp
import scipy
import scipy.fftpack
import scipy.odr
import StringIO
def lese_lab_datei(dateiname):
'''
CASSY LAB Datei einlesen.
Messdaten werden anhand von Tabulatoren identifiziert.
Gibt ein numpy-Array zurueck.
'''
f = open(dateiname)
dataSectionStarted = False
dataSectionEnded = False
data = ''
for line in f:
if '\t' in line and not dataSectionEnded:
data += line
dataSectionStarted = True
if not '\t' in line and dataSectionStarted:
dataSectionEnded = True
f.close()
return np.genfromtxt(StringIO.StringIO(data))
def lineare_regression(x,y,ey):
'''
Lineare Regression.
Parameters
----------
x : array_like
x-Werte der Datenpunkte
y : array_like
y-Werte der Datenpunkte
ey : array_like
Fehler auf die y-Werte der Datenpunkte
Diese Funktion benoetigt als Argumente drei Listen:
x-Werte, y-Werte sowie eine mit den Fehlern der y-Werte.
Sie fittet eine Gerade an die Werte und gibt die
Steigung a und y-Achsenverschiebung b mit Fehlern
sowie das chi^2 und die Korrelation von a und b
als Liste aus in der Reihenfolge
[a, ea, b, eb, chiq, cov].
'''
s = sum(1./np.square(ey))
sx = sum(x/np.square(ey))
sy = sum(y/np.square(ey))
sxx = sum(x**2/np.square(ey))
sxy = sum(x*y/np.square(ey))
delta = s*sxx-sx*sx
b = (sxx*sy-sx*sxy)/delta
a = (s*sxy-sx*sy)/delta
eb = sqrt(sxx/delta)
ea = sqrt(s/delta)
cov = -sx/delta
corr = cov/(ea*eb)
chiq = sum(((y-(a*x+b))/ey)**2)
return(a,ea,b,eb,chiq,corr)
def lineare_regression_xy(x,y,ex,ey):
'''
Lineare Regression mit Fehlern in x und y.
Parameters
----------
x : array_like
x-Werte der Datenpunkte
y : array_like
y-Werte der Datenpunkte
ex : array_like
Fehler auf die x-Werte der Datenpunkte
ey : array_like
Fehler auf die y-Werte der Datenpunkte
Diese Funktion benoetigt als Argumente vier Listen:
x-Werte, y-Werte sowie jeweils eine mit den Fehlern der x-
und y-Werte.
Sie fittet eine Gerade an die Werte und gibt die
Steigung a und y-Achsenverschiebung b mit Fehlern
sowie das chi^2 und die Korrelation von a und b
als Liste aus in der Reihenfolge
[a, ea, b, eb, chiq, cov].
Die Funktion verwendet den ODR-Algorithmus von scipy.
'''
a_ini,ea_ini,b_ini,eb_ini,chiq_ini,corr_ini = lineare_regression(x,y,ey)
def f(B, x):
return B[0]*x + B[1]
model = scipy.odr.Model(f)
data = scipy.odr.RealData(x, y, sx=ex, sy=ey)
odr = scipy.odr.ODR(data, model, beta0=[a_ini, b_ini])
output = odr.run()
ndof = len(x)-2
chiq = output.res_var*ndof
corr = output.cov_beta[0,1]/np.sqrt(output.cov_beta[0,0]*output.cov_beta[1,1])
return output.beta[0],output.sd_beta[0],output.beta[1],output.sd_beta[1],chiq,corr
def fourier(t,y):
'''
Fourier-Transformation.
Parameters
----------
t : array_like
Zeitwerte der Datenpunkte
y : array_like
y-Werte der Datenpunkte
Gibt das Fourierspektrum in Form zweier Listen (freq,amp)
zurueck, die die Fourieramplituden als Funktion der zugehoerigen
Frequenzen enthalten.
'''
dt = (t[-1]-t[0])/(len(t)-1)
fmax = 0.5/dt
step = fmax/len(t)
freq=np.arange(0.,fmax,2.*step)
amp = np.zeros(len(freq))
i=0
for f in freq:
omega=2.*np.pi*f
sc = sum(y*cos(omega*t))/len(t)
ss = sum(y*sin(omega*t))/len(t)
amp[i] = sqrt(sc**2+ss**2)
i+=1
return (freq,amp)
def fourier_fft(t,y):
'''
Schnelle Fourier-Transformation.
Parameters
----------
t : array_like
Zeitwerte der Datenpunkte
y : array_like
y-Werte der Datenpunkte
Gibt das Fourierspektrum in Form zweier Listen (freq,amp)
zurueck, die die Fourieramplituden als Funktion der zugehoerigen
Frequenzen enthalten.
'''
dt = (t[-1]-t[0])/(len(t)-1)
amp = abs(scipy.fftpack.fft(y))
freq = scipy.fftpack.fftfreq(t.size,dt)
return (freq,amp)
def exp_einhuellende(t,y,ey,Sens=0.1):
'''
Exponentielle Einhuellende.
Parameters
----------
t : array_like
Zeitwerte der Datenpunkte
y : array_like
y-Werte der Datenpunkte
ey : array_like
Fehler auf die y-Werte der Datenpunkte
Sens : float, optional
Sensitivitaet, Wert zwischen 0 und 1
Die Funktion gibt auf der Basis der drei Argumente (Listen
mit t- bzw. dazugehoerigen y-Werten plus y-Fehler) der Kurve die
Parameter A0 und delta samt Fehlern der Einhuellenden von der Form
A=A0*exp(-delta*t) (Abfallende Exponentialfunktion) als Liste
[A0, sigmaA0, delta, sigmaDelta] aus.
Optional kann eine Sensibilitaet angegeben werden, die bestimmt,
bis zu welchem Prozentsatz des hoechsten Peaks der Kurve
noch Peaks fuer die Berechnung beruecksichtigt werden (default=10%).
'''
if not 0.<Sens<1.:
raise ValueError('Sensibilitaet muss zwischen 0 und 1 liegen!')
# Erstelle Liste mit ALLEN Peaks der Kurve
Peaks=[]
PeakZeiten=[]
PeakFehler=[]
GutePeaks=[]
GutePeakZeiten=[]
GutePeakFehler=[]
if y[0]>y[1]:
Peaks.append(y[0])
PeakZeiten.append(t[0])
PeakFehler.append(ey[0])
for i in range(1,len(t)-1):
if y[i] >= y[i+1] and \
y[i] >= y[i-1] and \
( len(Peaks)==0 or y[i] != Peaks[-1] ): #handle case "plateau on top of peak"
Peaks.append(y[i])
PeakZeiten.append(t[i])
PeakFehler.append(ey[i])
# Loesche alle Elemente die unter der Sensibilitaetsschwelle liegen
Schwelle=max(Peaks)*Sens
for i in range(0,len(Peaks)):
if Peaks[i] > Schwelle:
GutePeaks.append(Peaks[i])
GutePeakZeiten.append(PeakZeiten[i])
GutePeakFehler.append(PeakFehler[i])
# Transformiere das Problem in ein lineares
PeaksLogarithmiert = log(np.array(GutePeaks))
FortgepflanzteFehler = np.array(GutePeakFehler) / np.array(GutePeaks)
LR = lineare_regression(np.array(GutePeakZeiten),PeaksLogarithmiert,FortgepflanzteFehler)
A0=exp(LR[2])
sigmaA0=LR[3]*exp(LR[2])
delta=-LR[0]
sigmaDelta=LR[1]
return(A0,sigmaA0,delta,sigmaDelta)
def untermenge_daten(x,y,x0,x1):
'''
Extrahiere kleinere Datensaetze aus (x,y), so dass x0 <= x <= x1
'''
xn=[]
yn=[]
for i,v in enumerate(x):
if x0<=v<=x1:
xn.append(x[i])
yn.append(y[i])
return (np.array(xn),np.array(yn))
def peak(x,y,x0,x1):
'''
Approximiere ein lokales Maximum in den Daten (x,y) zwischen x0 und x1.
'''
N = len(x)
ymin = max(y)
ymax = min(y)
i1 = 0
i2 = N-1
for i in range(N):
if x[i]>=x0:
i1=i
break
for i in range(N):
if x[i]>=x1:
i2=i+1
break
for i in range(i1,i2):
if y[i]>ymax:
ymax=y[i]
if y[i]<ymin:
ymin=y[i]
sum_y = sum(y[i1:i2])
sum_xy = sum(x[i1:i2]*y[i1:i2])
xm = sum_xy/sum_y
return xm
def peakfinder_schwerpunkt(x,y):
'''
Finde Peak in den Daten (x,y).
'''
N = len(x)
val = 1./sqrt(2.)
i0=0
i1=N-1
ymax=max(y)
for i in range(N):
if y[i]>ymax*val:
i0=i
break
for i in range(i0+1,N):
if y[i]<ymax*val:
i1=i
break
xpeak = peak(x,y,x[i0],x[i1])
return xpeak
def gewichtetes_mittel(y,ey):
'''
Berechnet den gewichteten Mittelwert der gegebenen Daten.
Parameters
----------
y : array_like
Datenpunkte
ey : array_like
Zugehoerige Messunsicherheiten.
Gibt den gewichteten Mittelwert samt Fehler zurueck.
'''
w = 1/np.square(ey)
s = sum(w*y)
wsum = sum(w)
xm = s/wsum
sx = sqrt(1./wsum)
return (xm,sx)