more lolo

analisis/plots/20230817_RotationalDopplerShift_v4/RDS_lolo.py

@@ -105,7 +105,7 @@ DATOS_COMPLETOS.append([DATAFILES_gauss_compOVEN,'Configuracion gaussiana coline
 
 
 #%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-#%% Configuracion +2/+2 colineales, ion al costado del haz barriendo dcA
+#%% Configuracion +2/+2 colineales
 
 FACTOR_ESCALA = 10
 
@@ -142,7 +142,8 @@ for ii,DATO in enumerate(DATOS_COMPLETOS):
     rango_dr1 = np.array([435,437])
     rango_dr2 = np.array([443,446])
     
-    picos = {0:[], 1:[]}
+    picos     = {0:[], 1:[]}
+    picos_err = {0:[], 1:[]}
     
     dcA_vec = []
     
@@ -163,7 +164,7 @@ for ii,DATO in enumerate(DATOS_COMPLETOS):
             
             frecuencia,cuentas  = clean_jumps_below(frecuencia,cuentas, 200)
             
-            cuentas_suave    = savgol(cuentas,13,2)
+            cuentas_suave    = savgol(cuentas,13,4)
             # cuentas_suave    = cuentas
             
             
@@ -172,7 +173,7 @@ for ii,DATO in enumerate(DATOS_COMPLETOS):
             # I_base_fit += np.arange(len(frecuencia))[(frecuencia>=500)&(frecuencia<=442)].tolist()
             I_base_fit = np.array(I_base_fit)
            
-            mm = np.polyfit(frecuencia[I_base_fit], cuentas[I_base_fit],1)
+            mm,cov = np.polyfit(frecuencia[I_base_fit], cuentas[I_base_fit],1, cov=True)
             
             
             
@@ -194,8 +195,12 @@ for ii,DATO in enumerate(DATOS_COMPLETOS):
                 ax.plot(frecuencia[idx],(cuentas_suave[idx]/base[idx]-1)/FACTOR_ESCALA+dcA, 'o', ms=6, color=ax.get_lines()[-1].get_color(),zorder=10)
                 
                 Base = np.polyval(mm,rango.mean())
+                Base_err = np.sqrt(np.sum(np.diag(cov)*np.array([frecuencia[idx]**2,1])))
+                
                 val_pico = cuentas_suave[I].min()
-                picos[jj].append( (Base-val_pico)/Base )
+                picos[jj].append(     (Base-val_pico)/Base )
+                # picos_err[jj].append( np.sqrt(cuentas[idx])/Base )
+                picos_err[jj].append( np.sqrt(cuentas[idx])/Base + cuentas[idx]*np.sqrt(cuentas[idx])/Base**2 )
                 print( (Base-val_pico)/Base , end="\t")
             print('')
         #     break
@@ -219,13 +224,15 @@ for ii,DATO in enumerate(DATOS_COMPLETOS):
     ax = axx[1]
     
     ax.plot(  picos[0] , dcA_vec , '.-'  , color='gray')
-    for pico,dcA_val in zip(picos[0],dcA_vec):
-        ax.plot( pico, dcA_val, '.' ,ms=7)
+    for pico,pico_err,dcA_val in zip(picos[0],picos_err[0],dcA_vec):
+        # ax.plot( pico, dcA_val, '.' ,ms=7)
+        ax.errorbar( pico, dcA_val, xerr=pico_err, fmt='.' ,ms=7, capsize=4)
     ax.set_prop_cycle(None)
 
     ax.plot(  picos[1] , dcA_vec , 'o--' , color='gray')
-    for pico,dcA_val in zip(picos[1],dcA_vec):
-        ax.plot( pico, dcA_val, 'o' ,ms=7)
+    for pico,pico_err,dcA_val in zip(picos[1],picos_err[1],dcA_vec):
+        # ax.plot( pico, dcA_val, 'o' ,ms=7)
+        ax.errorbar( pico, dcA_val, xerr=pico_err, fmt='.' ,ms=7, capsize=4)
     
     
     profundidad_mean = [ np.array(np.array(picos[0])[dcA_vec==val].tolist()+np.array(picos[1])[dcA_vec==val].tolist()).mean() for val in np.unique(dcA_vec) ]
@@ -255,3 +262,175 @@ for ii,DATO in enumerate(DATOS_COMPLETOS):
     
     # break
 
+
+
+
+#%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+#%% CVersion AREA
+
+FACTOR_ESCALA = 10
+
+for ii,DATO in enumerate(DATOS_COMPLETOS):
+    
+
+    VECTOR_DE_DATOS, SUP_TITLE, FILENAME =  DATO
+    
+    
+    
+    # Grafico con subplots
+    fig,axx = plt.subplots(1,2,figsize=(12,8), constrained_layout=True , sharey=True )
+    fig.set_constrained_layout_pads(w_pad=1/72, h_pad=0, hspace=0, wspace=0)
+    
+    
+    
+    rango_dr1 = np.array([435,437])
+    rango_dr2 = np.array([443,445])
+    
+    I_base_fit = np.arange(0,50).tolist()+np.arange(230,280).tolist()+np.arange(450,459).tolist()
+    I_base_fit = np.array(I_base_fit)
+    
+    
+    
+    ax = axx[0]
+    
+    
+    # plt.figure()
+    
+    # ax = plt.gca()
+    
+    NORMALIZADO = True
+    
+    rango_dr1 = np.array([435,437])
+    rango_dr2 = np.array([443,446])
+    
+    picos     = {0:[], 1:[]}
+    picos_err = {0:[], 1:[]}
+    
+    dcA_vec = []
+    
+    
+    
+    
+    for data in sorted([ h5py.File(DataFile, 'r') for DataFile in VECTOR_DE_DATOS ],key=lambda x: np.array(x['datasets']['initialvoltage_dcA']) ):
+        frecuencia = np.array(data['datasets']['IR1_Frequencies'])*2e-6
+        voltages   = np.array(data['datasets']['scanning_voltages'])
+        for kk, dcA in enumerate( voltages ):
+        
+            # cuentas    = np.array(data['datasets']['data_array'])
+            cuentas   = np.array(data['datasets']['data_array']).reshape(len(voltages),-1)[kk][0:len(frecuencia)]
+            amplitudes = np.array(data['datasets']['IR1_Amplitudes'])
+            # dcA = np.array(data['datasets']['initialvoltage_dcA'])
+            
+            dcA_vec.append( dcA.tolist() )
+            
+            frecuencia,cuentas  = clean_jumps_below(frecuencia,cuentas, 200)
+            
+            cuentas_suave    = savgol(cuentas,13,4)
+            # cuentas_suave    = cuentas
+            
+            
+            I_base_fit  = np.arange(len(frecuencia))[:50].tolist()
+            I_base_fit += np.arange(len(frecuencia))[(frecuencia>=439)&(frecuencia<=442)].tolist()
+            # I_base_fit += np.arange(len(frecuencia))[(frecuencia>=500)&(frecuencia<=442)].tolist()
+            I_base_fit = np.array(I_base_fit)
+           
+            mm,cov = np.polyfit(frecuencia[I_base_fit], cuentas[I_base_fit],1, cov=True)
+            
+            
+            
+            base = np.polyval(mm,frecuencia)
+            
+            
+            CURVA       = (cuentas/base-1)/FACTOR_ESCALA + dcA
+            CURVA_SUAVE = (cuentas_suave/base-1)/FACTOR_ESCALA+ dcA
+            ax.plot(frecuencia,CURVA      , '.', alpha=0.1)
+            ax.plot(frecuencia,CURVA_SUAVE, '-', alpha=0.9, color=ax.get_lines()[-1].get_color())
+            
+            
+            
+            
+            for jj,rango in enumerate([rango_dr1,rango_dr2]):
+                I = np.arange(len(frecuencia))[(frecuencia>rango.min())&(frecuencia<rango.max())]
+                idx = cuentas_suave[I].argmin() + I[0]
+                
+                ax.plot(frecuencia[idx],(cuentas_suave[idx]/base[idx]-1)/FACTOR_ESCALA+dcA, 'o', ms=6, color=ax.get_lines()[-1].get_color(),zorder=10)
+                
+                Base = np.polyval(mm,rango.mean())
+                Base_err = np.sqrt(np.sum(np.diag(cov)*np.array([frecuencia[idx]**2,1])))
+                
+                val_pico = cuentas_suave[I].min()
+                picos[jj].append(     (Base-val_pico)/Base )
+                # picos_err[jj].append( np.sqrt(cuentas[idx])/Base )
+                picos_err[jj].append( np.sqrt(cuentas[idx])/Base + cuentas[idx]*np.sqrt(cuentas[idx])/Base**2 )
+                print( (Base-val_pico)/Base , end="\t")
+            print('')
+        #     break
+        # break
+        # ax.plot(frecuencia,cuentas , label=dcA)
+        
+        # plt.pause(2)
+        # plt.cla()
+        
+        
+        # ax.plot(cuentas , label=dcA)
+        
+    # plt.plot(frecuencia,amplitudes )
+    # ax.legend()
+    
+    
+    
+    ax.axvline(rango_dr1.mean(), color='gray', zorder=-10, lw=3 , alpha=0.5)
+    ax.axvline(rango_dr2.mean(), color='gray', zorder=-10, lw=3, ls='--', alpha=0.5)
+    
+    ax = axx[1]
+    
+    dcA_vec = np.array(dcA_vec)
+    picos[0] = np.array(picos[0])
+    picos[1] = np.array(picos[1])
+    picos_err[0] = np.array(picos_err[0])
+    picos_err[1] = np.array(picos_err[1])
+    
+    
+    
+    ax.fill_betweenx(  dcA_vec, picos[0]+ picos_err[0],picos[0]- picos_err[0] , alpha=0.6)
+    
+    ax.fill_betweenx(  dcA_vec, picos[1]+ picos_err[1],picos[1]- picos_err[1]  , alpha=0.6)
+    
+    # for pico,pico_err,dcA_val in zip(picos[0],picos_err[0],dcA_vec):
+    #     # ax.plot( pico, dcA_val, '.' ,ms=7)
+    #     ax.errorbar( pico, dcA_val, xerr=pico_err, fmt='.' ,ms=7, capsize=4)
+    # ax.set_prop_cycle(None)
+    ax.plot(  picos[0] , dcA_vec , '.-'  , color='C0')
+    ax.plot(  picos[1] , dcA_vec , 'o--' , color='C1')
+    # for pico,pico_err,dcA_val in zip(picos[1],picos_err[1],dcA_vec):
+    #     # ax.plot( pico, dcA_val, 'o' ,ms=7)
+    #     ax.errorbar( pico, dcA_val, xerr=pico_err, fmt='.' ,ms=7, capsize=4)
+    
+    
+    profundidad_mean = [ np.array(np.array(picos[0])[dcA_vec==val].tolist()+np.array(picos[1])[dcA_vec==val].tolist()).mean() for val in np.unique(dcA_vec) ]
+    profundidad_dev  = [ np.array(np.array(picos[0])[dcA_vec==val].tolist()+np.array(picos[1])[dcA_vec==val].tolist()).std() for val in np.unique(dcA_vec) ]
+    dcA_uniq         = np.unique(dcA_vec)
+    
+    
+
+    
+    ax.set_xlabel('Profundidad')
+    
+    axx[0].set_ylabel(f'{SUP_TITLE.split()[-1]} [V]')
+    axx[0].set_xlabel('frecuencia [kHz]')
+    
+    
+    
+    for ax in axx:
+        ax.grid(b=True,linestyle=':',color='lightgray')
+    
+    
+    ax.set_xlim( 0, ax.get_xlim()[1] )
+    
+    fig.suptitle(SUP_TITLE)
+    
+    # fig.savefig(f"{ii+1:02d}_{FILENAME}")
+    
+    
+    break
+