Changeset 6939bd4 in sasview for Invariant


Ignore:
Timestamp:
Jan 11, 2010 6:44:59 PM (15 years ago)
Author:
Mathieu Doucet <doucetm@…>
Branches:
master, ESS_GUI, ESS_GUI_Docs, ESS_GUI_batch_fitting, ESS_GUI_bumps_abstraction, ESS_GUI_iss1116, ESS_GUI_iss879, ESS_GUI_iss959, ESS_GUI_opencl, ESS_GUI_ordering, ESS_GUI_sync_sascalc, costrafo411, magnetic_scatt, release-4.1.1, release-4.1.2, release-4.2.2, release_4.0.1, ticket-1009, ticket-1094-headless, ticket-1242-2d-resolution, ticket-1243, ticket-1249, ticket885, unittest-saveload
Children:
3082632
Parents:
885857e
Message:

invariant: added unit test to test low-q extrapolation

File:
1 edited

Legend:

Unmodified
Added
Removed
  • Invariant/test/utest_data_handling.py

    r46d50ca r6939bd4  
    99""" 
    1010import unittest 
    11 import numpy 
     11import numpy, math 
    1212from DataLoader.loader import  Loader 
    1313from DataLoader.data_info import Data1D 
     
    5353        # Test results 
    5454        self.assertTrue(math.fabs(a-1.0)<0.05) 
    55         self.assertTrue(math.fabs(b)<0.05)         
     55        self.assertTrue(math.fabs(b)<0.1)         
    5656     
    5757     
     
    101101     
    102102     
     103class TestGuinierExtrapolation(unittest.TestCase): 
     104    """ 
     105        Generate a Guinier distribution and verify that the extrapolation 
     106        produce the correct ditribution. 
     107    """ 
     108     
     109    def setUp(self): 
     110        """ 
     111            Generate a Guinier distribution. After extrapolating, we will 
     112            verify that we obtain the scale and rg parameters 
     113        """ 
     114        self.scale = 1.5 
     115        self.rg = 70.0 
     116        x = numpy.arange(0.0001, 0.1, 0.0001) 
     117        y = numpy.asarray([self.scale * math.exp( -(q*self.rg)**2 / 3.0 ) for q in x]) 
     118        dy = y*.1 
     119        self.data = Data1D(x=x, y=y, dy=dy) 
     120         
     121    def test_low_q(self): 
     122        """ 
     123            Invariant with low-Q extrapolation 
     124        """ 
     125        # Create invariant object. Background and scale left as defaults. 
     126        inv = invariant.InvariantCalculator(data=self.data) 
     127        # Set the extrapolation parameters for the low-Q range 
     128        inv.set_extrapolation(range='low', npts=20, function='guinier') 
     129         
     130        self.assertEqual(inv._low_extrapolation_npts, 20) 
     131        self.assertEqual(inv._low_extrapolation_function.__name__, 'guinier') 
     132         
     133        # Data boundaries for fiiting 
     134        qmin = inv._data.x[0] 
     135        qmax = inv._data.x[inv._low_extrapolation_npts - 1] 
     136         
     137        # Extrapolate the low-Q data 
     138        a, b = inv._fit(function=inv._low_extrapolation_function, 
     139                          qmin=qmin, 
     140                          qmax=qmax, 
     141                          power=inv._low_extrapolation_power) 
     142        self.assertAlmostEqual(self.scale, a, 6) 
     143        self.assertAlmostEqual(self.rg, b, 6) 
     144     
     145 
     146class TestPowerLawExtrapolation(unittest.TestCase): 
     147    """ 
     148        Generate a power law distribution and verify that the extrapolation 
     149        produce the correct ditribution. 
     150    """ 
     151     
     152    def setUp(self): 
     153        """ 
     154            Generate a power law distribution. After extrapolating, we will 
     155            verify that we obtain the scale and m parameters 
     156        """ 
     157        self.scale = 1.5 
     158        self.m = 3.0 
     159        x = numpy.arange(0.0001, 0.1, 0.0001) 
     160        y = numpy.asarray([self.scale * math.pow(q ,-1.0*self.m) for q in x])                 
     161        dy = y*.1 
     162        self.data = Data1D(x=x, y=y, dy=dy) 
     163         
     164    def test_low_q(self): 
     165        """ 
     166            Invariant with low-Q extrapolation 
     167        """ 
     168        # Create invariant object. Background and scale left as defaults. 
     169        inv = invariant.InvariantCalculator(data=self.data) 
     170        # Set the extrapolation parameters for the low-Q range 
     171        inv.set_extrapolation(range='low', npts=20, function='power_law') 
     172         
     173        self.assertEqual(inv._low_extrapolation_npts, 20) 
     174        self.assertEqual(inv._low_extrapolation_function.__name__, 'power_law') 
     175         
     176        # Data boundaries for fitting 
     177        qmin = inv._data.x[0] 
     178        qmax = inv._data.x[inv._low_extrapolation_npts - 1] 
     179         
     180        # Extrapolate the low-Q data 
     181        a, b = inv._fit(function=inv._low_extrapolation_function, 
     182                          qmin=qmin, 
     183                          qmax=qmax, 
     184                          power=inv._low_extrapolation_power) 
     185         
     186        self.assertAlmostEqual(self.scale, a, 6) 
     187        self.assertAlmostEqual(self.m, b, 6) 
     188     
Note: See TracChangeset for help on using the changeset viewer.