def figures_fn(pathss_x=None,
read_paths_data=False,
paths_file_name=None,
beta=4.,
N_path=10,
N_iter=int(1e5),
delta=0.5,
potential_string='harmonic_potential',
append_every=1,
N_plot=201,
x_max=3,
N_beta_ticks=11,
msq_file=None,
plot_file_name=None,
show_QHO_theory=True,
show_matrix_squaring=True,
show_path=True,
show_compare_hist=True,
show_complete_path_hist=True,
save_plot=True,
show_plot=True,
*args,
**kwargs):
"""
Uso:
Genera figuras del algoritmo path integral naive sampling.
Recibe:
pathss_x: list -> contiene paths generados por path_naive_sampling.
read_paths_data: bool -> decide si lee datos. True ignora pathss_x.
paths_file_name: str -> nombre del archivo en que estan guardados datos
de paths. Solo necesario si read_paths_data = True.
Si read_paths_data = True y paths_file_name = None
se intenta abrir archivo con nombre igual al
generado automáticamente por path_naive_sampling y
los parámetros especificados en figures_fn.
**kwargs -> argumentos de función path_naive_sampling.
N_plot: int -> número de puntos para graficar función teórica.
x_max: int -> límite de eje x en gráfica es (-|x_max|,|x_max|)
N_beta_ticks: int -> Número de valores de beta mostrados al graficar un
camino aleatorio. Recomendable valor < 12.
msq_file: str -> archivo en que están guardados datos de algoritmo
matrix squaring para comparar con path integral.
Necesario solo si show_matrix_squaring=True.
plot_file_name: str -> nombre de la figura que se genera. Necesario solo si
show_plot=True.
show_QHO_theory: bool -> decide si muestra valor teórico del oscilador
armónico.
show_matrix_squaring: bool -> decide si muestra resultado de algoritmo Matrix
Squaring. Si True es necesario especificar msq_file.
show_path: bool -> decide si muestra un camino aleatorio generado.
show_compare_hist: bool -> decide si muestra comparación de histograma x[0]
con histograma x[k], con k aleatorio entre [1,N-1].
show_complete_path_hist: bool -> decide si muestra comparación de histograma x[0]
con histograma de todo el camino {x[k]}.
save_plot: bool -> decide si guarda figura.
show_plot: bool -> decide si muestra figura en pantalla.
"""
script_dir = os.path.dirname(os.path.abspath(__file__))
# Decide si lee datos e ignora input pathss_x
if read_paths_data:
if not paths_file_name:
paths_file_name = (
'pi_x-pi-%s-beta_%.3f-N_path_%d-N_iter_%d-delta_%.3f-append_every_%d.csv'
%
(potential_string, beta, N_path, N_iter, delta, append_every))
paths_file_name = script_dir + '/' + paths_file_name
pathss_x = pd.read_csv(paths_file_name, index_col=0, comment='#')
pathss_x = pathss_x.to_numpy()
pathss_x = np.array(pathss_x)
N_path = len(pathss_x[-1])
x_max = np.abs(x_max)
# Crea figura
fig, ax1 = plt.subplots()
# Grafica histograma, teórico y si se pide un camino aleatorio
ax1.set_xlabel(u'$x$')
ax1.set_ylabel(u'$\pi^{(Q)} (x;\\beta)$')
# Muestra teórico del oscilador armónico cuántico.
if show_QHO_theory:
x_plot = np.linspace(-x_max, x_max, N_plot)
lns1 = ax1.plot(x_plot,
QHO_canonical_ensemble(x_plot, beta),
label=u'Oscilador Armónico\n(Teórico)')
# Muestra valores generados por algoritmo matrix squaring.
# Hay que especificar nombre del archivo en que están guardados estos datos.
if show_matrix_squaring:
msq_file = script_dir + '/' + msq_file
matrix_squaring_data = pd.read_csv(msq_file, index_col=0, comment='#')
lns2 = ax1.plot(matrix_squaring_data['position_x'],
matrix_squaring_data['prob_density'],
label=u'Algoritmo Matrix\nSquaring')
# Muestra histograma generado con los las frecuencias de los valores de x[0] de cada path.
lns3 = ax1.hist(pathss_x[:, 0],
bins=int(np.sqrt(N_iter / append_every)),
normed=True,
label=u'Integral de camino\nnaive sampling $x[0]$',
alpha=.40)
# Muestra histograma generado con los las frecuencias de los valores de x[k] de cada path
# con k aleatorio entre 1 y N_path-1
if show_compare_hist:
lns5 = ax1.hist(pathss_x[:, np.random.choice(np.arange(1, N_path))],
bins=int(np.sqrt(N_iter / append_every)),
normed=True,
label=u'Comparación hist. $x[k]$',
alpha=.40)
# Muestra histograma generado con las frecuencias de todas las posiciones {x[k]} de todos
# los caminos aleatorios
if show_complete_path_hist:
pathss_x2 = pathss_x.copy()
pathss_x2 = pathss_x2.flatten()
lns6 = ax1.hist(
pathss_x2,
bins=int(np.sqrt(N_iter * N_path / append_every)),
normed=True,
label=u'Comparación tomando\npath completo $\{x[k]\}_k$',
alpha=.40)
# Parámetros del aspecto de la figura
ax1.tick_params(axis='y')
ax1.set_ylim(bottom=0)
ax1.set_xlim(-x_max, x_max)
if save_plot:
if not plot_file_name:
plot_file_name = (
'pi_x-pi-plot-%s-beta_%.3f-' % (potential_string, beta) +
'N_path_%d-N_iter_%d-delta_%.3f-' % (N_path, N_iter, delta) +
'append_every_%d-x_max_%.3f-' % (append_every, x_max) +
'theory_%d-ms_%d-' % (show_QHO_theory, show_matrix_squaring) +
'path_%d-compare_%d-' % (show_path, show_compare_hist) +
'complete_path-%d.eps' % (show_complete_path_hist))
plot_file_name = script_dir + '/' + plot_file_name
if show_path:
ax2 = ax1.twinx(
) # instantiate a second axes that shares the same x-axis
beta_plot = np.linspace(0, beta, N_path + 1)
path_plot = list(pathss_x[-1])
path_plot.append(pathss_x[-1][0])
lns4 = ax2.plot(path_plot, beta_plot, 'o-', c='k', label=u'Path')
ax2.tick_params(axis='y')
beta_ticks = np.linspace(0, beta, N_beta_ticks)
ax2.set_yticks(beta_ticks)
ax2.set_yticklabels(u'$%.2f$' % b for b in beta_ticks)
ax2.set_ylabel(u'$\\tau$', rotation=270)
ax2.set_ylim(bottom=0)
ax2.set_xlim(-x_max, x_max)
# Parafernalia para agregar labels correctamente cuando se usan dos ejes con
# escalas diferentes
if not show_QHO_theory: lns1 = [0]
if not show_matrix_squaring: lns2 = [0]
if not show_compare_hist: lns5 = [0]
if not show_complete_path_hist: lns6 = [0]
try:
lns3_test = [lns3[2][0]]
except:
lns3_test = [0]
try:
lns6_test = [lns6[2][0]]
except:
lns6_test = [0]
try:
lns5_test = [lns5[2][0]]
except:
lns5_test = [0]
leg_test = lns1 + lns2 + lns4 + lns3_test + lns6_test + lns5_test
labs = []
leg = []
for i, l in enumerate(leg_test):
try:
labs.append(l.get_label())
leg.append(leg_test[i])
except:
pass
ax1.legend(leg,
labs,
loc='best',
title=u'$\\beta=%.2f$' % beta,
fontsize=12)
fig.tight_layout()
if save_plot:
plt.savefig(plot_file_name)
if show_plot:
plt.show()
plt.close()
else:
plt.legend(loc='best', title=u'$\\beta=%.2f$' % beta, fontsize=12)
if save_plot:
plt.savefig(plot_file_name)
if show_plot:
plt.show()
plt.close()
return
def figures_fn(pathss_x,
beta=4,
N_plot=201,
x_max=3,
N_iter=int(1e5),
append_every=1,
N_beta_ticks=11,
msq_file='file.csv',
file_name='path-plot-prueba',
show_theory=True,
show_matrix_squaring=True,
show_path=True,
show_compare_hist=True,
show_complete_path_hist=True,
save_plot=True,
show_plot=True):
pathss_x = np.array(pathss_x)
script_dir = os.path.dirname(os.path.abspath(__file__))
x_plot = np.linspace(-x_max, x_max, N_plot)
N_path = len(pathss_x[-1])
# Crea figura
fig, ax1 = plt.subplots()
# Grafica histograma, teórico y si se pide un camino aleatorio
ax1.set_xlabel(u'$x$')
ax1.set_ylabel(u'$\pi^{(Q)} (x;\\beta)$')
if show_theory:
lns1 = ax1.plot(x_plot,
QHO_canonical_ensemble(x_plot, beta),
label=u'Teórico')
if show_matrix_squaring:
msq_file = script_dir + '/' + msq_file
matrix_squaring_data = pd.read_csv(msq_file, index_col=0, comment='#')
lns2 = ax1.plot(matrix_squaring_data['position_x'],
matrix_squaring_data['prob_density'],
label=u'Algoritmo Matrix\nSquaring')
lns3 = ax1.hist(pathss_x[:, 0],
bins=int(np.sqrt(N_iter / append_every)),
normed=True,
label=u'Integral de camino\nnaive sampling',
alpha=.40)
if show_compare_hist:
lns5 = ax1.hist(pathss_x[:, np.random.choice(np.arange(1, N_path))],
bins=int(np.sqrt(N_iter / append_every)),
normed=True,
label=u'Comparación hist. $x[k]$',
alpha=.40)
if show_complete_path_hist:
pathss_x2 = pathss_x.copy()
pathss_x2 = pathss_x2.flatten()
lns6 = ax1.hist(
pathss_x2,
bins=int(np.sqrt(N_iter * N_path / append_every)),
normed=True,
label=u'Comparación tomando\npath completo $\{x[k]\}_k$',
alpha=.40)
ax1.tick_params(axis='y')
ax1.set_ylim(bottom=0)
ax1.set_xlim(-x_max, x_max)
if not show_path:
plt.legend(loc='best', fontsize=12)
if save_plot:
plt.savefig(script_dir + '/' + file_name)
if show_plot:
plt.show()
plt.close()
if show_path:
ax2 = ax1.twinx(
) # instantiate a second axes that shares the same x-axis
ax2.set_ylabel(u'$\\tau$') # we already handled the x-label with ax1
beta_plot = np.linspace(0, beta, N_path + 1)
path_plot = list(pathss_x[-1])
path_plot.append(pathss_x[-1][0])
lns4 = ax2.plot(path_plot, beta_plot, 'o-', c='k', label=u'Path')
ax2.tick_params(axis='y')
beta_ticks = np.linspace(0, beta, N_beta_ticks)
ax2.set_yticks(beta_ticks)
ax2.set_yticklabels(u'$%.2f$' % b for b in beta_ticks)
ax2.set_ylim(bottom=0)
ax2.set_xlim(-x_max, x_max)
# Parafernalia para agrgar labels correctamente cuando se usan dos ejes con
# escalas diferentes
if not show_theory:
lns1 = [0]
if not show_matrix_squaring:
lns2 = [0]
if not show_compare_hist:
lns5 = [0]
if not show_complete_path_hist:
lns6 = [0]
try:
lns3_test = [lns3[2][0]]
except:
lns3_test = [0]
try:
lns6_test = [lns6[2][0]]
except:
lns6_test = [0]
try:
lns5_test = [lns5[2][0]]
except:
lns5_test = [0]
leg_test = lns1 + lns2 + lns4 + lns3_test + lns6_test + lns5_test
labs = []
leg = []
for i, l in enumerate(leg_test):
try:
labs.append(l.get_label())
leg.append(leg_test[i])
except:
pass
ax1.legend(leg,
labs,
loc='best',
title=u'$\\beta=%.2f$' % beta,
fontsize=12)
fig.tight_layout() # otherwise the right y-label is slightly clipped
if save_plot:
plt.savefig(script_dir + '/' + file_name)
if show_plot:
plt.show()
plt.close()
return 0
def figures_fn(pathss_x=None,
read_paths_data=False,
paths_file_name=None,
beta=4,
N_plot=201,
x_max=3,
N_iter=int(1e5),
append_every=1,
N_beta_ticks=11,
msq_file='file.csv',
plot_file_name='path-plot-prueba',
show_theory=True,
show_matrix_squaring=True,
show_path=True,
show_compare_hist=True,
show_complete_path_hist=True,
save_plot=True,
show_plot=True):
"""
Uso:
Genera figuras del algoritmo path integral naive sampling.
Recibe:
read_paths_data: bool -> decide si lee datos. True ignora pathss_x.
paths_file_name: str -> nombre del archivo en que estan guardados datos
de paths. Solo necesario si read_paths_data = True
N_beta_ticks: int -> Número de valores de beta mostrados al graficar un
camino aleatorio. Recomendable valor < 12.
msq_file: str -> archivo en que están guardados datos de algoritmo
matrix squaring para comparar con path integral.
Necesario solo si show_matrix_squaring=True.
plot_file_name: str -> nombre del gráfico que se genera. Necesario solo si
show_plot=True.
show_theory: bool -> decide si muestra valor teórico del oscilador
armónico.
show_matrix_squaring: bool -> decide si muestra resultado de algoritmo Matrix
Squaring. Si True es necesario especificar msq_file.
show_path: bool -> decide si muestra un camino aleatorio generado.
show_compare_hist: bool -> decide si muestra comparación de histograma x[0]
con histograma x[k], con k aleatorio entre [1,N-1].
show_complete_path_hist: bool -> decide si muestra comparación de histograma x[0]
con histograma de todo el camino {x[k]}.
save_plot: bool -> decide si guarda gráfico.
show_plot: bool -> decide si muestra gráfico en pantalla.
"""
script_dir = os.path.dirname(os.path.abspath(__file__))
if read_paths_data:
paths_file_name = script_dir + '/' + paths_file_name
pathss_x = pd.read_csv(paths_file_name, index_col=0, comment='#')
pathss_x = pathss_x.to_numpy()
pathss_x = np.array(pathss_x)
x_plot = np.linspace(-x_max, x_max, N_plot)
N_path = len(pathss_x[-1])
# Crea figura
fig, ax1 = plt.subplots()
# Grafica histograma, teórico y si se pide un camino aleatorio
ax1.set_xlabel(u'$x$')
ax1.set_ylabel(u'$\pi^{(Q)} (x;\\beta)$')
# Muestra teórico del oscilador armónico cuántico.
if show_theory:
lns1 = ax1.plot(x_plot,
QHO_canonical_ensemble(x_plot, beta),
label=u'Oscilador Armónico\nTeórico')
# Muestra valores generados por algoritmo matrix squaring.
# Hay que especificar nombre del archivo en que están guardados estos datos.
if show_matrix_squaring:
msq_file = script_dir + '/' + msq_file
matrix_squaring_data = pd.read_csv(msq_file, index_col=0, comment='#')
lns2 = ax1.plot(matrix_squaring_data['position_x'],
matrix_squaring_data['prob_density'],
label=u'Algoritmo Matrix\nSquaring')
# Muestra histograma generado con los las frecuencias de los valores de x[0] de cada path.
lns3 = ax1.hist(pathss_x[:, 0],
bins=int(np.sqrt(N_iter / append_every)),
normed=True,
label=u'Integral de camino\nnaive sampling',
alpha=.40)
# Muestra histograma generado con los las frecuencias de los valores de x[k] de cada path
# con k aleatorio entre 1 y N_path-1
if show_compare_hist:
lns5 = ax1.hist(pathss_x[:, np.random.choice(np.arange(1, N_path))],
bins=int(np.sqrt(N_iter / append_every)),
normed=True,
label=u'Comparación hist. $x[k]$',
alpha=.40)
# Muestra histograma generado con las frecuencias de todas las posiciones {x[k]} de todos
# los caminos aleatorios
if show_complete_path_hist:
pathss_x2 = pathss_x.copy()
pathss_x2 = pathss_x2.flatten()
lns6 = ax1.hist(
pathss_x2,
bins=int(np.sqrt(N_iter * N_path / append_every)),
normed=True,
label=u'Comparación tomando\npath completo $\{x[k]\}_k$',
alpha=.40)
# Parámetros del aspecto de la figura
ax1.tick_params(axis='y')
ax1.set_ylim(bottom=0)
ax1.set_xlim(-x_max, x_max)
if save_plot:
if plot_file_name is None:
############################ Dar nombre al plot
plot_file_name = '.eps'
plot_file_name = script_dir + '/' + plot_file_name
if not show_path:
plt.legend(loc='best', fontsize=12)
if save_plot:
plt.savefig(plot_file_name)
if show_plot:
plt.show()
plt.close()
if show_path:
ax2 = ax1.twinx(
) # instantiate a second axes that shares the same x-axis
ax2.set_ylabel(u'$\\tau$') # we already handled the x-label with ax1
beta_plot = np.linspace(0, beta, N_path + 1)
path_plot = list(pathss_x[-1])
path_plot.append(pathss_x[-1][0])
lns4 = ax2.plot(path_plot, beta_plot, 'o-', c='k', label=u'Path')
ax2.tick_params(axis='y')
beta_ticks = np.linspace(0, beta, N_beta_ticks)
ax2.set_yticks(beta_ticks)
ax2.set_yticklabels(u'$%.2f$' % b for b in beta_ticks)
ax2.set_ylim(bottom=0)
ax2.set_xlim(-x_max, x_max)
# Parafernalia para agrgar labels correctamente cuando se usan dos ejes con
# escalas diferentes
if not show_theory:
lns1 = [0]
if not show_matrix_squaring:
lns2 = [0]
if not show_compare_hist:
lns5 = [0]
if not show_complete_path_hist:
lns6 = [0]
try:
lns3_test = [lns3[2][0]]
except:
lns3_test = [0]
try:
lns6_test = [lns6[2][0]]
except:
lns6_test = [0]
try:
lns5_test = [lns5[2][0]]
except:
lns5_test = [0]
leg_test = lns1 + lns2 + lns4 + lns3_test + lns6_test + lns5_test
labs = []
leg = []
for i, l in enumerate(leg_test):
try:
labs.append(l.get_label())
leg.append(leg_test[i])
except:
pass
ax1.legend(leg,
labs,
loc='best',
title=u'$\\beta=%.2f$' % beta,
fontsize=12)
fig.tight_layout() # otherwise the right y-label is slightly clipped
if save_plot:
plt.savefig(plot_file_name)
if show_plot:
plt.show()
plt.close()
return
