todo

analisis/plots/20250416_UVspectra_bladetrap/UV_spectrums_new.py

+import h5py
+import matplotlib.pyplot as plt
+import numpy as np
+import sys
+import re
+import ast
+from scipy.optimize import curve_fit
+import os
+from scipy import interpolate
+
+# Solo levanto algunos experimentos
+Files = """
+000020800-UV_Scan_withcalib_Haeffner
+000020811-UV_Scan_withcalib_Haeffner
+000020815-UV_Scan_withcalib_Haeffner
+""" 
+
+os.chdir(r'C:\Users\Carolina\Documents\artiq master yoga\artiq_experiments\analisis\plots\20250416_UVspectra_bladetrap\Data')
+
+#carpeta pc nico labo escritorio:
+#C:\Users\Usuario\Documents\artiq\artiq_experiments\analisis\plots\20220503_EspectrosUVnuevos\Data
+
+def SeeKeys(files):
+    for i, fname in enumerate(files.split()):
+        data = h5py.File(fname+'.h5', 'r') # Leo el h5: Recordar que nuestros datos estan en 'datasets'
+        print(fname)
+        print(list(data['datasets'].keys()))
+
+#%%    
+
+Amps = []
+Freqs = []
+Counts = []
+T_readouts = []
+
+for i, fname in enumerate(Files.split()):
+    print(SeeKeys(Files))
+    print(i)
+    print(fname)
+    data = h5py.File(fname+'.h5', 'r') # Leo el h5: Recordar que nuestros datos estan en 'datasets'
+    print(list(data['datasets'].keys()))
+    Amps.append(np.array(data['datasets']['UV_Amplitudes']))
+    Freqs.append(np.array(data['datasets']['UV_Frequencies']))
+    Counts.append(np.array(data['datasets']['counts_spectrum']))
+    T_readouts.append(np.array(data['datasets']['t_readout']))    
+
+
+#def GetBackground(countsper100ms, )
+
+
+
+#%%
+from scipy.special import jv
+
+def Lorentzian(f, A, x0, gamma, offset):
+    return (A/np.pi)*0.5*gamma/(((f-x0)**2)+((0.5*gamma)**2)) + offset #es el piso de ruido estimado
+
+
+
+#primero muestro las meds 0 y 1 que son dos mediciones con potencia UV quizas un poco 
+#alta pero en la segunda el ion esta un poquito mejor compensado y se ve cómo se afina el espectro
+
+n = 1
+
+jvec = [n] 
+
+plt.figure()
+for j in jvec:
+
+    FreqsChosen = [2*f*1e-6 for f in Freqs[j]]
+    CountsChosen = Counts[j]
+    
+    portion = 0.
+    p0=[12000, 208, 30, 100]
+    offset = 200
+    popt, pcov = curve_fit(Lorentzian, FreqsChosen[int(portion*len(FreqsChosen)):], CountsChosen[int(portion*len(FreqsChosen)):], p0=p0)
+    
+    freqslong = np.arange(min(FreqsChosen)-10, max(FreqsChosen)+10, (FreqsChosen[1]-FreqsChosen[0])*0.01)
+    
+    
+    plt.errorbar(FreqsChosen, CountsChosen, yerr=np.sqrt(np.array(CountsChosen)), fmt='o', capsize=5, markersize=5)
+    # plt.plot(freqslong, Lorentzian(freqslong, popt[0], popt[1], popt[2]), label=f'FWHM {round(popt[1])} MHz')
+    plt.plot(freqslong, Lorentzian(freqslong, popt[0], popt[1], popt[2], popt[3]), label=f'FWHM {round(popt[2],1)} MHz')
+    #plt.axvline(popt[2]-22.1, linestyle='--', linewidth=1)
+    #plt.axvline(popt[2]+22.1, linestyle='--', linewidth=1)
+    plt.xlabel('Frecuencia (MHz)')
+    plt.ylabel('Cuentas')
+    plt.legend()
+#plt.savefig(Files.split("\n")[n+1] + ".png")
+
+    #print(f'Ancho medido: {round(popt[2])} MHz') 
+
+
+#%%
+from scipy.special import jv
+from scipy.optimize import curve_fit
+
+def Lorentzian(f, A, gamma, x0):
+    return (A/np.pi)*0.5*gamma/(((f-x0)**2)+((0.5*gamma)**2))
+
+def MicromotionSpectra(det, A, beta, x0, gamma):
+    ftrap=22.1
+    #gamma=28
+    P = A*(jv(0, beta)**2)/(((det-x0)**2)+(0.5*gamma)**2)+100
+    i = 1
+    #print(P)
+    while i <= 2:
+        P = P + A*((jv(i, beta))**2)/((((det-x0)+i*ftrap)**2)+(0.5*gamma)**2) + A*((jv(-i, beta))**2)/((((det-x0)-i*ftrap)**2)+(0.5*gamma)**2) 
+        i = i + 1
+        #print(P)
+    return P
+
+
+jvec = [7] #UV_cooling en 90 MHz
+
+   
+plt.figure()
+
+for j in jvec:
+
+    FreqsChosen = [2*f*1e-6 for f in Freqs[j]]
+    CountsChosen = Counts[j]
+    
+    portion = 0.
+    
+    popt, pcov = curve_fit(MicromotionSpectra, FreqsChosen[int(portion*len(FreqsChosen)):], CountsChosen[int(portion*len(FreqsChosen)):],p0=[100000,0.1,215, 22], bounds=((0,0,0, 0),(10000000,10,300, 100)))
+    print(popt)
+    freqslong = np.arange(min(FreqsChosen)-10, max(FreqsChosen)+10, (FreqsChosen[1]-FreqsChosen[0])*0.01)
+    
+    plt.errorbar(FreqsChosen, CountsChosen, yerr=np.sqrt(np.array(CountsChosen)), fmt='o', capsize=5, markersize=5)
+    #plt.plot(freqslong, Lorentzian(freqslong, popt[0], popt[1], popt[2]), label=f'FWHM {round(popt[1])} MHz')
+    plt.plot(freqslong, MicromotionSpectra(freqslong, *popt), label=f'FWHM 30 MHz')
+    #plt.axvline(popt[2]+2*22.1, linestyle='--', linewidth=1)
+    #plt.axvline(popt[2]+22.1, linestyle='--', linewidth=1)
+    plt.xlabel('Frecuencia (MHz)')
+    plt.ylabel('Cuentas')
+    plt.legend()
+    
+    print(f'Beta: {round(popt[1],2)}') 
+    
+
+#%%
+from scipy.special import jv
+
+def Lorentzian(f, A, x0, gamma, offset):
+    offset = 50
+    return (A/np.pi)*0.5*gamma/(((f-x0)**2)+((0.5*gamma)**2)) + offset #40 es el piso de ruido estimado
+
+#para tres potencias distintas del UV:
+jvec = [2,3,4,5] 
+
+plt.figure()
+
+for j in jvec:
+
+    FreqsChosen = [2*f*1e-6 for f in Freqs[j]]
+    CountsChosen = Counts[j]
+    
+    portion = 0.
+    
+    popt, pcov = curve_fit(Lorentzian, FreqsChosen[int(portion*len(FreqsChosen)):], CountsChosen[int(portion*len(FreqsChosen)):], p0=[12000, 208, 30, 30])
+    
+    freqslong = np.arange(min(FreqsChosen)-10, max(FreqsChosen)+10, (FreqsChosen[1]-FreqsChosen[0])*0.01)
+    
+    plt.errorbar(FreqsChosen, CountsChosen, yerr=np.sqrt(np.array(CountsChosen)), fmt='o', capsize=5, markersize=5)
+    #plt.plot(freqslong, Lorentzian(freqslong, popt[0], popt[1], popt[2]), label=f'FWHM {round(popt[1])} MHz')
+    plt.plot(freqslong, Lorentzian(freqslong, popt[0], popt[1], popt[2], popt[3]), label=f'FWHM {round(popt[2],1)} MHz')
+    #plt.axvline(popt[2]-22.1, linestyle='--', linewidth=1)
+    #plt.axvline(popt[2]+22.1, linestyle='--', linewidth=1)
+    plt.xlabel('Frecuencia (MHz)')
+    plt.ylabel('Cuentas')
+    plt.legend()
+    print(popt)
+    print(f'Ancho medido: {round(popt[2])} MHz') 
+
+
+#%%
+from scipy.special import jv
+from scipy.optimize import curve_fit
+
+def Lorentzian(f, A, gamma, x0):
+    return (A/np.pi)*0.5*gamma/(((f-x0)**2)+((0.5*gamma)**2))
+
+def MicromotionSpectra(det, A, beta, x0, gamma):
+    ftrap=22.1
+    #gamma=35
+    P = A*(jv(0, beta)**2)/(((det-x0)**2)+(0.5*gamma)**2)+100
+    i = 1
+    #print(P)
+    while i <= 2:
+        P = P + A*((jv(i, beta))**2)/((((det-x0)+i*ftrap)**2)+(0.5*gamma)**2) + A*((jv(-i, beta))**2)/((((det-x0)-i*ftrap)**2)+(0.5*gamma)**2) 
+        i = i + 1
+        #print(P)
+    return P
+
+
+jvec = [6, 7] #6, 7, 8: tres compensaciones distintas. la 8 en realidad el ion se fue un pcoo del pinhole entonces se ve mas chica
+
+   
+plt.figure()
+
+for j in jvec:
+
+    FreqsChosen = [2*f*1e-6 for f in Freqs[j]]
+    CountsChosen = Counts[j]
+    
+    portion = 0.
+    
+    popt, pcov = curve_fit(MicromotionSpectra, FreqsChosen[int(portion*len(FreqsChosen)):], CountsChosen[int(portion*len(FreqsChosen)):],p0=[100000,0.1,215, 30], bounds=((0,0,0,0),(10000000,10,300,100)))
+    
+    freqslong = np.arange(min(FreqsChosen)-10, max(FreqsChosen)+10, (FreqsChosen[1]-FreqsChosen[0])*0.01)
+    
+    plt.errorbar(FreqsChosen, CountsChosen, yerr=np.sqrt(np.array(CountsChosen)), fmt='o', capsize=5, markersize=5, label=f'Beta: {round(popt[1],2)}, Gamma: {round(popt[3],1)}')
+    #plt.plot(freqslong, Lorentzian(freqslong, popt[0], popt[1], popt[2]), label=f'FWHM {round(popt[1])} MHz')
+    plt.plot(freqslong, MicromotionSpectra(freqslong, *popt))
+        
+
+
+    #plt.axvline(popt[2]+2*22.1, linestyle='--', linewidth=1)
+    #plt.axvline(popt[2]+22.1, linestyle='--', linewidth=1)
+    plt.xlabel('Frecuencia (MHz)')
+    plt.ylabel('Cuentas')
+    plt.legend()
+    
+    print(f'Beta: {round(popt[1],2)}') 
\ No newline at end of file

analisis/plots/20250512_fluorescencorrelation/FluoCorrForCompensation.py

+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+Created on Wed Apr 23 14:52:32 2025
+
+@author: carolina
+"""
+
+import h5py
+import matplotlib.pyplot as plt
+import numpy as np
+import sys
+import re
+import ast
+from scipy.optimize import curve_fit
+import os
+
+
+def bin_time_arrivals(arrival_times, tau):
+    """
+    Binea los tiempos de llegada de los fotones según el periodo tau.
+    
+    Parameters:
+        arrival_times (numpy array): Vector con los tiempos de llegada de los fotones.
+        tau (float): Periodo de bineado.
+        
+    Returns:
+        numpy array: Vector con los tiempos bienados.
+    """
+    return arrival_times - tau * (arrival_times // tau)
+
+def sinusoidal(x, A, C, D):
+    return A * np.sin(2*np.pi*freqrf * x + C) + D
+
+def sinusoidal(x, A, C, D):
+    return A * np.sin(2*np.pi*freqrf * x + C) + D
+
+def lorentzian(x,A,b,C,det,fase,cte):
+    det = -10e6*2*np.pi
+    return A*((C**2)/(C**2 + (det-b*2*np.pi*freqrf*np.sin(2*np.pi*freqrf*x+fase))**2))+cte
+
+
+
+def dropnan(a):
+    return a[~np.isnan(a)]
+
+path = "/home/carolina/Documents/artiq_experiments/analisis/plots/20250421_fluorescencorrelation/"
+
+
+freqrf = 7262766.1
+taurf = 1/freqrf
+
+
+meds = [20889, 20890, 20891, 20892, 20893, 20894, 20895, 20896, 20897, 20898, 20899, 20900, 20901, 20903, 20904 , 20905 , 20906, 20907, 20908, 20909, 20910, 20911]
+Vdouble =  [0, 10, 20, 40, 50, 50, 55, 55, 55, 60, 65, 70, 75, 80, 85, 90,100, 110, 130, 150, 170, 190]
+
+
+
+y_mean_values = []
+y_max_of_norm_values = []
+y_max = []
+params_meds = []
+
+
+Vdouble_fitted = []
+amp_fitted = []
+amp_fitted_err = []
+offset_fitted = []
+
+meds = [meds[-1]]
+for i, med in enumerate(meds):
+    #print(i)
+
+    filename = f"0000{med}-FluorescenceCorrelation.h5"
+    data = h5py.File(path + filename, 'r')
+    
+    x_data = dropnan(np.array(data['datasets']['x_data']))
+    y_data = dropnan(np.array(data['datasets']['y_data']))
+    y_data_2 = dropnan(np.array(data['datasets']['y_data_2']))
+    
+    """
+    Grafico temporal replicado 3 veces a la frecuencia dada
+    """
+    plt.figure(1, figsize=(8, 4))
+
+    try:
+        params, pcov = curve_fit(sinusoidal, x_data, y_data)
+        perr = np.sqrt(np.diag(pcov))
+        plt.plot(x_data, sinusoidal(x_data, *params), linestyle='--', label="Ajuste sinusoidal", color='black',linewidth=3,zorder=2)
+        # params, _ = curve_fit(lorentzian, x_data, y_data)
+        # plt.plot(x_data, lorentzian(x_data, *params), linestyle='--', label="Ajuste completo", color='black',linewidth=3,zorder=2)
+        
+        Vdouble_fitted.append(Vdouble[i])
+        amp_fitted.append(params[0])
+        amp_fitted_err.append(perr[0])
+        offset_fitted.append(params[2])
+        
+    except:
+        pass
+    
+    plt.plot(x_data, y_data)
+    plt.xlabel("Tiempo bineado (repetido 3 veces)")
+
+    plt.show()
+
+    y_mean_values.append(np.mean(y_data_2))
+    y_max_of_norm_values.append(np.max(y_data))
+    y_max.append(np.max(y_data_2))
+    
+
+
+plt.figure(2), plt.clf()
+plt.errorbar(Vdouble_fitted, np.abs(amp_fitted),fmt = '.', yerr=amp_fitted_err)
+
+
+
+
+
+
+

analisis/plots/20250512_fluorescencorrelation/Transitorios_osci.py

+import h5py
+import matplotlib.pyplot as plt
+import numpy as np
+import sys
+import re
+import ast
+from scipy.optimize import curve_fit
+import os
+
+#os.chdir('/home/nico/Documents/artiq_experiments/analisis/plots/20221006_transitoriosv2')
+
+os.chdir('/home/nico/Documents/artiq_experiments/analisis/plots/20250313_fluorescencecorrelationtests/Data')
+
+def expo(T, tau, N0, C):
+    
+    global T0
+    return N0*np.exp(-(T-T0)/tau) + C
+
+def pow_from_amp(amp):
+    """Paso de amplitud urukul a potencia medida por Nico"""
+    # Forma altamente ineficiente de hacer esto, pero me salio asi
+    amplitudes_UV = np.flip(np.array([0.08, 0.10, 0.12, 0.14, 0.16, 0.18, 0.20, 0.22, 0.24, 0.26, 0.28, 0.30]))
+    assert amp in amplitudes_UV
+    potencias_UV = np.flip(np.array([4, 10, 19, 32, 49, 71, 96, 125, 155, 183, 208, 229]))
+    return potencias_UV[np.where(amplitudes_UV == amp)][0]
+
+
+def SP_Bkgr_builder(amp_in, amp_fin, derivadainicio, derivadafin, longbins):
+    CalibCurve = []
+    j=0
+    while j<longbins:
+        if j<=derivadainicio:
+            CalibCurve.append(amp_in)
+        elif j>=derivadainicio and j<=derivadafin:
+            pendiente=(amp_fin-amp_in)/(derivadafin-derivadainicio)
+            CalibCurve.append(amp_in+pendiente*(j-derivadainicio))
+        else:
+            CalibCurve.append(amp_fin)
+        j=j+1
+    return CalibCurve
+
+    
+
+"""
+plt.plot(amplitudes_UV, potencias_UV, 'ko-', lw=0.2)
+plt.xlabel("Amplitud Urukul")
+plt.ylabel("Potencia /uW")
+plt.grid()
+"""
+#%%
+import scipy.fftpack
+
+BINW = 1e-2
+T0 = -0.4e-6
+
+files = [20583]
+
+SP_Heigths = []
+SP_Bins = []
+
+for i, fname in enumerate(files):
+    #print(i)
+    #print(fname)
+    #data = h5py.File('0000'+str(fname)+'-MicromotionCompensation.h5', 'r')
+    data = h5py.File('0000'+str(fname)+'-CRB.h5', 'r')
+    # counts = np.array(data['datasets']['countsrf'])
+    counts = np.array(data['datasets']['counts'])
+    bines = np.arange(counts.min(), counts.max()+BINW, BINW)
+
+    heigs, binsf  = np.histogram(counts, bines[bines>T0])
+    
+    SP_Heigths.append(heigs)
+    SP_Bins.append(binsf)
+
+
+#freq: 7.262 mhZ
+for k in range(len(counts)):
+    print(counts[k]-counts[k-1])
+    #print(1e-6/(counts[k]-counts[k-1]))
+
+
+#%%
+
+"""
+Esto binea fotones asumienod que la cantidad de fotones que llegan en un intervalo tau
+esta modulada por una funcion periodica. Entonces a los tiempos de llegada entre
+0 y tau no les hace nada, a los tiempos entre tau y 2tau les resta tau,
+a los tiempos entre 2tau y 3tau les resta tau, y asi. Y despues
+binea y ajusta con una sinusoidal y devuelve la frecuencia del ajuste.
+
+Asi anda barbaro para ver la oscilacion a casi 50 Hz
+"""
+
+def bin_time_arrivals(arrival_times, tau):
+    """
+    Binea los tiempos de llegada de los fotones según el periodo tau.
+    
+    Parameters:
+        arrival_times (numpy array): Vector con los tiempos de llegada de los fotones.
+        tau (float): Periodo de bineado.
+        
+    Returns:
+        numpy array: Vector con los tiempos bienados.
+    """
+    return arrival_times - tau * (arrival_times // tau)
+
+#taurf = 1/(22.135e6)
+taurf = 1/(22.135e6)
+
+tiemposarreglados = bin_time_arrivals(counts, taurf)
+
+b = taurf/100  # Ancho de bineo
+bins = np.arange(0, taurf, b)
+hist, bin_edges = np.histogram(tiemposarreglados, bins=bins)
+
+colors = ['b', 'g', 'r']  # Colores para cada repetición
+
+x_extended = np.concatenate([bin_edges[:-1] + i * taurf for i in range(3)])
+y_extended = np.tile(hist, 3)
+
+def sinusoidal(x, A, B, C, D):
+    return A * np.sin(B * x + C) + D
+
+x_extended_dense = np.arange(np.min(x_extended),np.max(x_extended),0.1*(x_extended[1]-x_extended[0]))
+
+params, _ = curve_fit(sinusoidal, x_extended, y_extended, p0=[max(y_extended), 2*np.pi/taurf, 0, np.mean(y_extended)])
+
+# Graficar los datos y el ajuste
+plt.figure(figsize=(8, 4))
+plt.plot(x_extended, y_extended, marker='o', linestyle='-', label="Datos", color='gray')
+plt.plot(x_extended_dense, sinusoidal(x_extended_dense, *params), linestyle='--', label="Ajuste sinusoidal", color='red')
+for i in range(3):
+    plt.plot(bin_edges[:-1] + i * taurf, hist, marker='o', linestyle='-', color=colors[i])
+
+plt.xlabel("Tiempo bineado (repetido 3 veces)")
+plt.ylabel("Frecuencia")
+plt.title("Distribución de tiempos bineados con ajuste sinusoidal")
+plt.legend()
+plt.show()
+
+print(f'Frecuencia del ajuste: {round(params[1]/(2*np.pi),2)} Hz')
+
+
+#%%
+
+"""
+Esto deberia hacerse asi para ver la oscilacion a la RF (micromocion)
+"""
+
+BINW = 1e-2
+T0 = -0.4e-6
+
+#files = [20577,20578,20579,20580,20581] #el 19613 es el que muestra el pico en 48.5 Hz
+
+files = [20586] #el 19613 es el que muestra el pico en 48.5 Hz
+
+def bin_time_arrivals(arrival_times, tau):
+    """
+    Binea los tiempos de llegada de los fotones según el periodo tau.
+    
+    Parameters:
+        arrival_times (numpy array): Vector con los tiempos de llegada de los fotones.
+        tau (float): Periodo de bineado.
+        
+    Returns:
+        numpy array: Vector con los tiempos bienados.
+    """
+    return arrival_times - tau * (arrival_times // tau)
+
+
+SP_Heigths = []
+SP_Bins = []
+
+
+plt.figure()
+
+for i, fname in enumerate(files):
+    #print(i)
+    #print(fname)
+    data = h5py.File('0000'+str(fname)+'-CRB.h5', 'r')
+    counts = np.array(data['datasets']['counts'])
+    bines = np.arange(counts.min(), counts.max()+BINW, BINW)
+
+    heigs, binsf  = np.histogram(counts, bines[bines>T0])
+    
+    SP_Heigths.append(heigs)
+    SP_Bins.append(binsf)
+    
+    
+
+    
+    
+    """
+    Amplitud en funcion de la frecuencia de bineo de la rf
+    """
+    
+    freqrf = 7.2618e6
+    
+    freqrfvec = np.arange(7262765,7262767,0.01)
+    
+    amps = []
+    
+    
+    for freqrf in freqrfvec:
+        taurf = 1/freqrf
+        
+        tiemposarreglados = bin_time_arrivals(counts, taurf)
+        
+        b = taurf/50  # Ancho de bineo
+        bins = np.arange(0, taurf, b)
+        hist, bin_edges = np.histogram(tiemposarreglados, bins=bins)
+        
+        colors = ['b', 'g', 'r']  # Colores para cada repetición
+        
+        x_extended = np.concatenate([bin_edges[:-1] + i * taurf for i in range(3)])
+        y_extended = np.tile(hist, 3)
+        
+        def sinusoidal(x, A, C, D):
+            return A * np.sin(2*np.pi*freqrf * x + C) + D
+        
+        x_extended_dense = np.arange(np.min(x_extended),np.max(x_extended),0.1*(x_extended[1]-x_extended[0]))
+        
+        params, _ = curve_fit(sinusoidal, x_extended, y_extended, p0=[max(y_extended),  0, np.mean(y_extended)])
+        amps.append(np.abs(params[0]))
+
+
+    plt.plot([f*1e-6 for f in freqrfvec],amps,'o')
+plt.xlabel('Frecuencia RF (MHz)')
+plt.ylabel('Amplitud oscilacion')
+
+
+"""
+Grafico temporal replicado 3 veces a la frecuencia dada
+"""
+
+
+freqrf = 7262766.1
+
+taurf = 1/freqrf
+
+tiemposarreglados = bin_time_arrivals(counts, taurf)
+
+b = taurf/50  # Ancho de bineo
+bins = np.arange(0, taurf, b)
+hist, bin_edges = np.histogram(tiemposarreglados, bins=bins)
+
+colors = ['b', 'g', 'r']  # Colores para cada repetición
+
+x_extended = np.concatenate([bin_edges[:-1] + i * taurf for i in range(3)])
+y_extended = np.tile(hist, 3)
+
+def sinusoidal(x, A, C, D):
+    return A * np.sin(2*np.pi*freqrf * x + C) + D
+
+def lorentzian(x,A,b,C,det,fase,cte):
+    det = -10e6*2*np.pi
+    return A*((C**2)/(C**2 + (det-b*2*np.pi*freqrf*np.sin(2*np.pi*freqrf*x+fase))**2))+cte
+
+x_extended_dense = np.arange(np.min(x_extended),np.max(x_extended),0.1*(x_extended[1]-x_extended[0]))
+
+#params, _ = curve_fit(sinusoidal, x_extended, y_extended, p0=[max(y_extended),  0, np.mean(y_extended)])
+params, _ = curve_fit(lorentzian, x_extended, y_extended, p0=[1,1,1e7,1e7,1,1])
+amps.append(np.abs(params[0]))
+
+
+# Graficar los datos y el ajuste
+plt.figure(figsize=(8, 4))
+
+#plt.plot(x_extended_dense, sinusoidal(x_extended_dense, *params), linestyle='--', label="Ajuste sinusoidal", color='black',linewidth=3,zorder=2)
+plt.plot(x_extended_dense, lorentzian(x_extended_dense, *params), linestyle='--', label="Ajuste completo", color='black',linewidth=3,zorder=2)
+
+for i in range(3):
+    plt.plot(bin_edges[:-1] + i * taurf, hist, marker='o', linestyle='-', color=colors[i],markersize=3,zorder=1)
+
+plt.xlabel("Tiempo bineado (repetido 3 veces)")
+plt.ylabel("Frecuencia")
+plt.title("Distribución de tiempos bineados con ajuste sinusoidal")
+#plt.ylim(0,np.max(hist)*1.2)
+plt.ylim(0,400)
+plt.legend()
+plt.show()
+
+print(f'Amplitud normalizada: {np.abs(round(100*params[0]/params[2],3))}%')
+
+print(f'Beta: {np.abs(params[1])}')
+

analisis/plots/20250516_CPT_bladetrap/CPT_bladetrap.py

@@ -14,7 +14,8 @@ Primero tengo mediciones de espectros cpt de un ion variando la tension dc_A
 
 
 #os.chdir('/home/nico/Documents/artiq_experiments/analisis/plots/20231123_CPTconmicromocion3/Data/')
-os.chdir('/home/nico/Documents/artiq_experiments/analisis/plots/20250516_CPT_bladetrap/Data')
+#os.chdir('/home/nico/Documents/artiq_experiments/analisis/plots/20250516_CPT_bladetrap/Data')
+os.chdir(r'C:\Users\Carolina\Documents\artiq_experiments\analisis\plots\20250516_CPT_bladetrap\Data')
 
 
 CPT_FILES = """000021278-IR_Scan_simple
@@ -64,7 +65,6 @@ Ploteo curvas para ver que tal son
 
 jvec = [1] # de la 1 a la 9 vale la pena, despues no
 
-
 plt.figure()
 i = 0
 for j in jvec:
@@ -72,7 +72,7 @@ for j in jvec:
     plt.errorbar([2*f*1e-6 for f in Frequencies], Counts[j], yerr=np.sqrt(Counts[j]), fmt='o', capsize=2, markersize=2)
     i = i + 1
 plt.xlabel('Frecuencia (MHz)')
-plt.ylabel('counts')
+plt.ylabel('Counts')
 plt.grid()
 # plt.legend()
 

analisis/plots/20250516_CPT_bladetrap/CPT_bladetrap2.py

+# -*- coding: utf-8 -*-
+"""
+Created on Sun May 18 19:12:45 2025
+
+@author: Carolina
+"""
+
+import h5py
+import matplotlib.pyplot as plt
+import numpy as np
+import sys
+import re
+import ast
+from scipy.optimize import curve_fit
+import os
+from scipy import interpolate
+
+"""
+Primero tengo mediciones de espectros cpt de un ion variando la tension dc_A
+"""
+
+
+#os.chdir('/home/nico/Documents/artiq_experiments/analisis/plots/20231123_CPTconmicromocion3/Data/')
+#os.chdir('/home/nico/Documents/artiq_experiments/analisis/plots/20250516_CPT_bladetrap/Data')
+os.chdir(r'C:\Users\Carolina\Documents\artiq_experiments\analisis\plots\20250516_CPT_bladetrap\Data2')
+
+
+VDown = [-177, -175, -173, -171, -170, -170, -168, -166]
+meds = [21368, 21367, 21369, 21370, 21366,21390, 21391, 21392]
+
+CPT_FILES = [f"0000{med}-IR_Scan_simple" for med in meds]
+
+
+def SeeKeys(files):
+    for i, fname in enumerate(files.split()):
+        data = h5py.File(fname+'.h5', 'r') # Leo el h5: Recordar que nuestros datos estan en 'datasets'
+        print(fname)
+        print(list(data['datasets'].keys()))
+
+Counts = []
+Freqs = []
+
+AmpTisa = []
+UVCPTAmp = []
+No_measures = []
+Voltages = []
+
+for i, fname in enumerate(CPT_FILES):
+    print(str(i) + ' - ' + fname)
+    #print(fname)
+    data = h5py.File(fname+'.h5', 'r') # Leo el h5: Recordar que nuestros datos estan en 'datasets'
+
+    # Aca hago algo repugnante para poder levantar los strings que dejamos
+    # que además tenian un error de tipeo al final. Esto no deberá ser necesario
+    # cuando se solucione el error este del guardado.
+    Freqs.append(np.array(data['datasets']['IR1_Frequencies']))
+    Counts.append(np.array(data['datasets']['counts_spectrum']))
+    #AmpTisa.append(np.array(data['datasets']['TISA_CPT_amp']))
+    print(np.array(data['datasets']['no_measures']))
+
+
+
+
+