Changeset bdd162f in sasview


Ignore:
Timestamp:
Feb 21, 2010 3:03:59 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:
e847a42
Parents:
d361b462
Message:

Removed smearing, added errors to all outputs, streamlined the sequence of behind-the-scenes computation calls.

Location:
Invariant
Files:
1 added
3 edited

Legend:

Unmodified
Added
Removed
  • Invariant/invariant.py

    r1702180 rbdd162f  
    22    This module implements invariant and its related computations. 
    33    @author: Gervaise B. Alina/UTK 
     4     
     5     
     6    TODO:  
     7        - intro / documentation 
     8        - add unit tests for sufrace/volume computation with and without extrapolation. 
     9        - replace the get_extra_data_* methods 
    410""" 
    5 #TODO: Need to decide if/how to use smearing for extrapolation 
    611import math  
    712import numpy 
    813 
    914from DataLoader.data_info import Data1D as LoaderData1D 
    10 from DataLoader.qsmearing import smear_selection 
    1115 
    1216# The minimum q-value to be used when extrapolating 
     
    3741            dy = data.dy 
    3842        else: 
    39             #dy = numpy.array([math.sqrt(math.fabs(j)) for j in data.y]) 
    40             dy = numpy.array([1 for j in data.y]) 
    41         # Transform smear info  
    42         dxl_out = None 
    43         dxw_out = None 
    44         dx_out = None 
    45         first_x = data.x#[0]  
    46         #if first_x == 0: 
    47         #    first_x = data.x[1] 
    48              
    49             
     43            dy = numpy.ones(len(data.y)) 
     44             
     45        # Transform the data 
    5046        data_points = zip(data.x, data.y, dy) 
    51          
    52         # Transform the data 
     47 
    5348        output_points = [(self.linearize_q_value(p[0]), 
    5449                          math.log(p[1]), 
    55                           p[2]/p[1]) for p in data_points if p[0]>0 and p[1]>0] 
     50                          p[2]/p[1]) for p in data_points if p[0]>0 and p[1]>0 and p[2]>0] 
    5651         
    5752        x_out, y_out, dy_out = zip(*output_points) 
    5853        
    59         #Transform smear info     
    60         if data.dxl is not None  and len(data.dxl)>0: 
    61             dxl_out = self.linearize_dq_value(x=x_out, dx=data.dxl[:len(x_out)]) 
    62         if data.dxw is not None and len(data.dxw)>0: 
    63             dxw_out = self.linearize_dq_value(x=x_out, dx=data.dxw[:len(x_out)]) 
    64         if data.dx is not None  and len(data.dx)>0: 
    65             dx_out = self.linearize_dq_value(x=x_out, dx=data.dx[:len(x_out)]) 
     54        # Create Data1D object 
    6655        x_out = numpy.asarray(x_out) 
    6756        y_out = numpy.asarray(y_out) 
    6857        dy_out = numpy.asarray(dy_out) 
    69         linear_data = LoaderData1D(x=x_out, y=y_out, dx=dx_out, dy=dy_out) 
    70         linear_data.dxl = dxl_out 
    71         linear_data.dxw = dxw_out 
     58        linear_data = LoaderData1D(x=x_out, y=y_out, dy=dy_out) 
    7259         
    7360        return linear_data 
    74     def linearize_dq_value(self, x, dx): 
    75         """ 
    76             Transform the input dq-value for linearization 
     61     
     62    def get_allowed_bins(self, data): 
     63        """ 
     64            Goes through the data points and returns a list of boolean values 
     65            to indicate whether each points is allowed by the model or not. 
     66             
     67            @param data: Data1D object 
     68        """ 
     69        return [p[0]>0 and p[1]>0 and p[2]>0 for p in zip(data.x, data.y, data.dy)] 
     70         
     71    def linearize_q_value(self, value): 
     72        """ 
     73            Transform the input q-value for linearization 
    7774        """ 
    7875        return NotImplemented 
    7976 
    80     def linearize_q_value(self, value): 
    81         """ 
    82             Transform the input q-value for linearization 
    83         """ 
    84         return NotImplemented 
    85  
    86     def extract_model_parameters(self, a, b): 
     77    def extract_model_parameters(self, constant, slope, dconstant=0, dslope=0): 
    8778        """ 
    8879            set private member 
     
    9384        """ 
    9485            Returns an array f(x) values where f is the Transform function. 
     86        """ 
     87        return NotImplemented 
     88     
     89    def evaluate_model_errors(self, x): 
     90        """ 
     91            Returns an array of I(q) errors 
    9592        """ 
    9693        return NotImplemented 
     
    105102        self.scale = scale 
    106103        self.radius = radius 
    107          
    108     def linearize_dq_value(self, x, dx): 
    109         """ 
    110             Transform the input dq-value for linearization 
    111         """ 
    112         return numpy.array([2*x[0]*dx[0] for i in xrange(len(x))])  
    113      
     104        ## Uncertainty of scale parameter 
     105        self.dscale  = 0 
     106        ## Unvertainty of radius parameter 
     107        self.dradius = 0 
     108         
    114109    def linearize_q_value(self, value): 
    115110        """ 
     
    120115        return value * value 
    121116     
    122     def extract_model_parameters(self, a, b): 
     117    def extract_model_parameters(self, constant, slope, dconstant=0, dslope=0): 
    123118        """ 
    124119           assign new value to the scale and the radius 
    125120        """ 
    126         b = math.sqrt(-3 * b) 
    127         a = math.exp(a) 
    128         self.scale = a 
    129         self.radius = b 
    130         return a, b 
     121        self.scale = math.exp(constant) 
     122        self.radius = math.sqrt(-3 * slope) 
     123         
     124        # Errors 
     125        self.dscale = math.exp(constant)*dconstant 
     126        self.dradius = -3.0/2.0/math.sqrt(-3 * slope)*dslope 
    131127         
    132128    def evaluate_model(self, x): 
     
    135131        """ 
    136132        return self._guinier(x) 
     133              
     134    def evaluate_model_errors(self, x): 
     135        """ 
     136            Returns the error on I(q) for the given array of q-values 
     137            @param x: array of q-values 
     138        """ 
     139        p1 = numpy.array([self.dscale * math.exp(-((self.radius * q)**2/3)) for q in x]) 
     140        p2 = numpy.array([self.scale * math.exp(-((self.radius * q)**2/3)) * (-(q**2/3)) * 2 * self.radius * self.dradius for q in x]) 
     141        diq2 = p1*p1 + p2*p2         
     142        return numpy.array( [math.sqrt(err) for err in diq2] ) 
    137143              
    138144    def _guinier(self, x): 
     
    163169        self.power = power 
    164170    
    165     def linearize_dq_value(self, x, dx): 
    166         """ 
    167             Transform the input dq-value for linearization 
    168         """ 
    169         return  numpy.array([dx[0]/x[0] for i in xrange(len(x))])  
    170      
    171171    def linearize_q_value(self, value): 
    172172        """ 
     
    177177        return math.log(value) 
    178178     
    179     def extract_model_parameters(self, a, b): 
     179    def extract_model_parameters(self, constant, slope, dconstant=0, dslope=0): 
    180180        """ 
    181181            Assign new value to the scale and the power  
    182182        """ 
    183         b = -1 * b 
    184         a = math.exp(a) 
    185         self.power = b 
    186         self.scale = a 
    187         return a, b 
     183        self.power = -slope 
     184        self.scale = math.exp(constant) 
     185         
     186        # Errors 
     187        self.dscale = math.exp(constant)*dconstant 
     188        self.dradius = -dslope 
    188189         
    189190    def evaluate_model(self, x): 
     
    193194        """ 
    194195        return self._power_law(x) 
     196     
     197    def evaluate_model_errors(self, x): 
     198        """ 
     199            Returns the error on I(q) for the given array of q-values 
     200            @param x: array of q-values 
     201        """ 
     202        p1 = numpy.array([self.dscale * math.pow(q, -self.power) for q in x]) 
     203        p2 = numpy.array([self.scale * self.power * math.pow(q, -self.power-1) * self.dradius for q in x]) 
     204        diq2 = p1*p1 + p2*p2         
     205        return numpy.array( [math.sqrt(err) for err in diq2] ) 
    195206        
    196207    def _power_law(self, x): 
     
    217228        Extrapolate I(q) distribution using a given model 
    218229    """ 
    219     def __init__(self, data): 
     230    def __init__(self, data, model=None): 
    220231        """ 
    221232            Determine a and b given a linear equation y = ax + b 
    222             @param Data: data containing x and y  such as  y = ax + b  
     233             
     234            If a model is given, it will be used to linearize the data before  
     235            the extrapolation is performed. If None, a simple linear fit will be done. 
     236             
     237            @param data: data containing x and y  such as  y = ax + b  
     238            @param model: optional Transform object  
    223239        """ 
    224240        self.data  = data 
     241        self.model = model 
    225242        
    226243        # Set qmin as the lowest non-zero value 
     
    231248                break 
    232249        self.qmax = max(self.data.x) 
    233         
    234         #get the smear object of data 
    235         self.smearer = smear_selection(self.data) 
    236         # Set the q-range information to allow smearing 
    237         self.set_fit_range() 
    238        
    239     def set_fit_range(self, qmin=None, qmax=None): 
    240         """ to set the fit range""" 
    241         if qmin is not None: 
    242             self.qmin = qmin 
    243         if qmax is not None: 
    244             self.qmax = qmax 
    245              
    246         # Determine the range needed in unsmeared-Q to cover 
    247         # the smeared Q range 
    248         self._qmin_unsmeared = self.qmin 
    249         self._qmax_unsmeared = self.qmax     
    250          
    251         if self.smearer is not None: 
    252             self._first_unsmeared_bin, self._last_unsmeared_bin = self.smearer.get_bin_range(self.qmin, self.qmax) 
    253             self._qmin_unsmeared = self.data.x[self._first_unsmeared_bin] 
    254             self._qmax_unsmeared = self.data.x[self._last_unsmeared_bin] 
    255              
    256         # Identify the bin range for the unsmeared and smeared spaces 
    257         self.idx = (self.data.x >= self.qmin) & (self.data.x <= self.qmax) 
    258         self.idx_unsmeared = (self.data.x >= self._qmin_unsmeared) \ 
    259                                 & (self.data.x <= self._qmax_unsmeared) 
    260    
    261     def fit(self, power=None): 
     250              
     251    def fit(self, power=None, qmin=None, qmax=None): 
    262252        """ 
    263253           Fit data for y = ax + b  return a and b 
    264            @param power = a fixed, otherwise None 
    265         """ 
     254           @param power: a fixed, otherwise None 
     255           @param qmin: Minimum Q-value 
     256           @param qmax: Maximum Q-value 
     257        """ 
     258        if qmin is None: 
     259            qmin = self.qmin 
     260        if qmax is None: 
     261            qmax = self.qmax 
     262             
     263        # Identify the bin range for the fit 
     264        idx = (self.data.x >= qmin) & (self.data.x <= qmax) 
     265         
    266266        fx = numpy.zeros(len(self.data.x)) 
    267267 
    268          # Uncertainty 
    269         if type(self.data.dy)==numpy.ndarray and len(self.data.dy)==len(self.data.x)and self.data.dy[0] != 0: 
     268        # Uncertainty 
     269        if type(self.data.dy)==numpy.ndarray and len(self.data.dy)==len(self.data.x): 
    270270            sigma = self.data.dy 
    271271        else: 
     
    273273             
    274274        # Compute theory data f(x) 
    275         fx[self.idx_unsmeared] = self.data.y[self.idx_unsmeared] 
    276         ## Smear theory data 
    277         if self.smearer is not None: 
    278             fx = self.smearer(fx, self._first_unsmeared_bin,self._last_unsmeared_bin) 
    279          
    280         fx[self.idx_unsmeared] = fx[self.idx_unsmeared]/sigma[self.idx_unsmeared] 
     275        fx[idx] = self.data.y[idx] 
     276         
     277        # Linearize the data 
     278        if self.model is not None: 
     279            linearized_data = self.model.linearize_data(LoaderData1D(self.data.x[idx], 
     280                                                                fx[idx], 
     281                                                                dy = sigma[idx])) 
     282        else: 
     283            linearized_data = LoaderData1D(self.data.x[idx], 
     284                                           fx[idx], 
     285                                           dy = sigma[idx]) 
    281286         
    282287        ##power is given only for function = power_law     
    283288        if power != None: 
    284             sigma2 = sigma * sigma 
     289            sigma2 = linearized_data.dy * linearized_data.dy 
    285290            a = -(power) 
    286             b = (numpy.sum(fx[self.idx]/sigma[self.idx]) - a*numpy.sum(self.data.x[self.idx]/sigma2[self.idx]))/numpy.sum(numpy.ones(len(sigma2[self.idx]))/sigma2[self.idx]) 
    287             return a, b 
    288         else: 
    289             A = numpy.vstack([ self.data.x[self.idx]/sigma[self.idx], 
    290                                numpy.ones(len(self.data.x[self.idx]))/sigma[self.idx]]).T 
    291             
    292             a, b = numpy.linalg.lstsq(A, fx[self.idx])[0] 
    293              
    294             return a, b 
     291            b = (numpy.sum(linearized_data.y/sigma2) \ 
     292                 - a*numpy.sum(linearized_data.x/sigma2))/numpy.sum(1.0/sigma2) 
     293             
     294             
     295            deltas = linearized_data.x*a+numpy.ones(len(linearized_data.x))*b-linearized_data.y 
     296            residuals = numpy.sum(deltas*deltas/sigma2) 
     297             
     298            err = math.fabs(residuals) / numpy.sum(1.0/sigma2) 
     299            return [a, b], [0, math.sqrt(err)] 
     300        else: 
     301            A = numpy.vstack([ linearized_data.x/linearized_data.dy, 
     302                               1.0/linearized_data.dy]).T         
     303            (p, residuals, rank, s) = numpy.linalg.lstsq(A, linearized_data.y/linearized_data.dy) 
     304             
     305            # Get the covariance matrix, defined as inv_cov = a_transposed * a 
     306            err = numpy.zeros(2) 
     307            try: 
     308                inv_cov = numpy.dot(A.transpose(), A) 
     309                cov = numpy.linalg.pinv(inv_cov) 
     310                err_matrix = math.fabs(residuals) * cov 
     311                err = [math.sqrt(err_matrix[0][0]), math.sqrt(err_matrix[1][1])] 
     312            except: 
     313                err = [-1.0, -1.0] 
     314                 
     315            return p, err 
    295316         
    296317 
     
    347368            raise ValueError,"Data must be of type DataLoader.Data1D" 
    348369        new_data = (self._scale * data) - self._background    
    349         new_data.dy[new_data.dy==0] = 1 
    350         new_data.dxl = data.dxl 
    351         new_data.dxw = data.dxw  
     370         
     371        # Check that the vector lengths are equal 
     372        assert(len(new_data.x)==len(new_data.y)) 
     373         
     374        # Verify that the errors are set correctly 
     375        if new_data.dy is None or len(new_data.x) != len(new_data.dy) or \ 
     376            (min(new_data.dy)==0 and max(new_data.dy)==0): 
     377            new_data.dy = numpy.ones(len(new_data.x))   
     378         
    352379        return  new_data 
    353380      
     
    367394                    for power_law will be the power value 
    368395        """ 
    369         # Linearize the data in preparation for fitting 
    370         fit_data = model.linearize_data(self._data) 
    371         qmin = model.linearize_q_value(qmin) 
    372         qmax = model.linearize_q_value(qmax) 
    373         # Get coefficient cmoning out of the  fit 
    374         extrapolator = Extrapolator(data=fit_data) 
    375         extrapolator.set_fit_range(qmin=qmin, qmax=qmax) 
    376         b, a = extrapolator.fit(power=power)  
    377          
    378         return model.extract_model_parameters(a=a, b=b) 
     396        extrapolator = Extrapolator(data=self._data, model=model) 
     397        p, dp = extrapolator.fit(power=power, qmin=qmin, qmax=qmax)  
     398         
     399        return model.extract_model_parameters(constant=p[1], slope=p[0], dconstant=dp[1], dslope=dp[0]) 
    379400     
    380401    def _get_qstar(self, data): 
    381         """ 
    382             Compute invariant for data 
    383             @param data: data to use to compute invariant. 
    384                
    385         """ 
    386         if data is None: 
    387             return 0 
    388         if data.is_slit_smeared(): 
    389             return self._get_qstar_smear(data) 
    390         else: 
    391             return self._get_qstar_unsmear(data) 
    392          
    393     def _get_qstar_unsmear(self, data): 
    394402        """ 
    395403            Compute invariant for pinhole data. 
     
    429437                return sum 
    430438             
    431     def _get_qstar_smear(self, data): 
    432         """ 
    433             Compute invariant for slit-smeared data. 
    434             This invariant is given by: 
    435                 q_star = x0*dxl *y0*dx0 + x1*dxl *y1 *dx1  
    436                             + ..+ xn*dxl *yn *dxn  
    437             where n >= len(data.x)-1 
    438             dxi = 1/2*(xi+1 - xi) + (xi - xi-1) 
    439             dx0 = (x1 - x0)/2 
    440             dxn = (xn - xn-1)/2 
    441             dxl: slit smear value 
    442              
    443             @return q_star: invariant value for slit smeared data. 
    444         """ 
    445         if not data.is_slit_smeared(): 
    446             msg = "_get_qstar_smear need slit smear data " 
    447             msg += "Hint :dxl= %s , dxw= %s"%(str(data.dxl), str(data.dxw)) 
    448             raise ValueError, msg 
    449  
    450         if len(data.x) <= 1 or len(data.y) <= 1 or len(data.x) != len(data.y)\ 
    451               or len(data.x)!= len(data.dxl): 
    452             msg = "x, dxl, and y must be have the same length and greater than 1" 
    453             msg +=" len x=%s, y=%s, dxl=%s"%(len(data.x),len(data.y),len(data.dxl)) 
    454             raise ValueError, msg 
    455         else: 
    456             n = len(data.x)-1 
    457             #compute the first delta 
    458             dx0 = (data.x[1] - data.x[0])/2 
    459             #compute the last delta 
    460             dxn = (data.x[n] - data.x[n-1])/2 
    461             sum = 0 
    462             sum += data.x[0] * data.dxl[0] * data.y[0] * dx0 
    463             sum += data.x[n] * data.dxl[n] * data.y[n] * dxn 
    464              
    465             if len(data.x)==2: 
    466                 return sum 
    467             else: 
    468                 #iterate between for element different from the first and the last 
    469                 for i in xrange(1, n-1): 
    470                     dxi = (data.x[i+1] - data.x[i-1])/2 
    471                     sum += data.x[i] * data.dxl[i] * data.y[i] * dxi 
    472                 return sum 
    473          
    474     def _get_qstar_uncertainty(self, data=None): 
    475         """ 
    476             Compute uncertainty of invariant value 
    477             Implementation: 
    478                 if data is None: 
    479                     data = self.data 
    480              
    481                 if data.slit smear: 
    482                         return self._get_qstar_smear_uncertainty(data) 
    483                     else: 
    484                         return self._get_qstar_unsmear_uncertainty(data) 
    485            
    486             @param: data use to compute the invariant which allow uncertainty 
    487             computation. 
    488             @return: uncertainty 
    489         """ 
    490         if data is None: 
    491             data = self._data 
    492         if data.is_slit_smeared(): 
    493             return self._get_qstar_smear_uncertainty(data) 
    494         else: 
    495             return self._get_qstar_unsmear_uncertainty(data) 
    496          
    497     def _get_qstar_unsmear_uncertainty(self, data): 
     439    def _get_qstar_uncertainty(self, data): 
    498440        """ 
    499441            Compute invariant uncertainty with with pinhole data. 
     
    509451            @param data: 
    510452            note: if data doesn't contain dy assume dy= math.sqrt(data.y) 
    511         """ 
     453        """           
    512454        if len(data.x) <= 1 or len(data.y) <= 1 or \ 
    513             len(self.data.x) != len(self.data.y): 
     455            len(data.x) != len(data.y) or \ 
     456            (data.dy is not None and (len(data.dy) != len(data.y))): 
    514457            msg = "Length of data.x and data.y must be equal" 
    515458            msg += " and greater than 1; got x=%s, y=%s"%(len(data.x), 
     
    518461        else: 
    519462            #Create error for data without dy error 
    520             if (data.dy is None) or (not data.dy): 
     463            if data.dy is None: 
    521464                dy = math.sqrt(y)  
    522465            else: 
     
    540483                return math.sqrt(sum) 
    541484         
    542     def _get_qstar_smear_uncertainty(self, data): 
    543         """ 
    544             Compute invariant uncertainty with slit smeared data. 
    545             This uncertainty is given as follow: 
    546                 dq_star = x0*dxl *dy0 *dx0 + x1*dxl *dy1 *dx1  
    547                             + ..+ xn*dxl *dyn *dxn  
    548             where n >= len(data.x)-1 
    549             dxi = 1/2*(xi+1 - xi) + (xi - xi-1) 
    550             dx0 = (x1 - x0)/2 
    551             dxn = (xn - xn-1)/2 
    552             dxl: slit smearing value 
    553             dyn : error on dy 
    554             @param data: data of type Data1D where the scale is applied 
    555                         and the background is subtracted. 
    556            
    557             note: if data doesn't contain dy assume dy= math.sqrt(data.y) 
    558         """ 
    559         if not data.is_slit_smeared(): 
    560             msg = "_get_qstar_smear_uncertainty need slit smear data " 
    561             msg += "Hint :dxl= %s , dxw= %s"%(str(data.dxl), str(data.dxw)) 
    562             raise ValueError, msg 
    563  
    564         if len(data.x) <= 1 or len(data.y) <= 1 or len(data.x) != len(data.y)\ 
    565                 or len(data.x) != len(data.dxl): 
    566             msg = "x, dxl, and y must be have the same length and greater than 1" 
    567             raise ValueError, msg 
    568         else: 
    569             #Create error for data without dy error 
    570             if (data.dy is None) or (not data.dy): 
    571                 dy = math.sqrt(y) 
    572             else: 
    573                 dy = data.dy 
    574                  
    575             n = len(data.x) - 1 
    576             #compute the first delta 
    577             dx0 = (data.x[1] - data.x[0])/2 
    578             #compute the last delta 
    579             dxn = (data.x[n] - data.x[n-1])/2 
    580             sum = 0 
    581             sum += (data.x[0] * data.dxl[0] * dy[0] * dx0)**2 
    582             sum += (data.x[n] * data.dxl[n] * dy[n] * dxn)**2 
    583              
    584             if len(data.x) == 2: 
    585                 return math.sqrt(sum) 
    586             else: 
    587                 #iterate between for element different from the first and the last 
    588                 for i in xrange(1, n-1): 
    589                     dxi = (data.x[i+1] - data.x[i-1])/2 
    590                     sum += (data.x[i] * data.dxl[i] * dy[i] * dxi)**2 
    591                 return math.sqrt(sum) 
    592          
    593485    def _get_extrapolated_data(self, model, npts=INTEGRATION_NSTEPS, 
    594486                              q_start=Q_MINIMUM, q_end=Q_MAXIMUM): 
     
    598490        #create new Data1D to compute the invariant 
    599491        q = numpy.linspace(start=q_start, 
    600                                stop=q_end, 
    601                                num=npts, 
    602                                endpoint=True) 
     492                           stop=q_end, 
     493                           num=npts, 
     494                           endpoint=True) 
    603495        iq = model.evaluate_model(q) 
     496        diq = model.evaluate_model_errors(q) 
    604497          
    605         # Determine whether we are extrapolating to high or low q-values 
    606         # If the data is slit smeared, get the index of the slit dimension array entry 
    607         # that we will use to smear the extrapolated data. 
    608         dxl = None 
    609         dxw = None 
    610  
    611         if self._data.is_slit_smeared(): 
    612             if q_start<min(self._data.x): 
    613                 smear_index = 0 
    614             elif q_end>max(self._data.x): 
    615                 smear_index = len(self._data.x)-1 
    616             else: 
    617                 raise RuntimeError, "Extrapolation can only be evaluated for points outside the data Q range" 
    618              
    619             if self._data.dxl is not None : 
    620                 dxl = numpy.ones(INTEGRATION_NSTEPS) 
    621                 dxl = dxl * self._data.dxl[smear_index] 
    622                 
    623             if self._data.dxw is not None : 
    624                 dxw = numpy.ones(INTEGRATION_NSTEPS) 
    625                 dxw = dxw * self._data.dxw[smear_index] 
    626               
    627         result_data = LoaderData1D(x=q, y=iq) 
    628         result_data.dxl = dxl 
    629         result_data.dxw = dxw 
     498        result_data = LoaderData1D(x=q, y=iq, dy=diq) 
    630499        return result_data 
    631500     
    632     def _get_extra_data_low(self): 
    633         """ 
    634             This method creates a new data set from the invariant calculator. 
    635              
    636             It will use the extrapolation parameters kept as private data members. 
    637              
    638             self._low_extrapolation_npts is the number of data points to use in to fit. 
    639             self._low_extrapolation_function will be used as the fit function. 
    640              
    641              
    642              
    643             It takes npts first points of data, fits them with a given model 
    644             then uses the new parameters resulting from the fit to create a new data set. 
    645              
    646             The new data first point is Q_MINIMUM. 
    647              
    648             The last point of the new data is the first point of the original data. 
    649             the number of q points of this data is INTEGRATION_NSTEPS. 
    650              
    651             @return: a new data of type Data1D 
    652         """ 
    653          
     501    def get_qstar_low(self): 
     502        """ 
     503            Compute the invariant for extrapolated data at low q range. 
     504             
     505            Implementation: 
     506                data = self._get_extra_data_low() 
     507                return self._get_qstar() 
     508                 
     509            @return q_star: the invariant for data extrapolated at low q. 
     510        """ 
    654511        # Data boundaries for fitting 
    655512        qmin = self._data.x[0] 
     
    657514         
    658515        # Extrapolate the low-Q data 
    659         a, b = self._fit(model=self._low_extrapolation_function, 
     516        self._fit(model=self._low_extrapolation_function, 
    660517                         qmin=qmin, 
    661518                         qmax=qmax, 
    662519                         power=self._low_extrapolation_power) 
     520         
     521        # Distribution starting point 
    663522        q_start = Q_MINIMUM 
    664         #q_start point 
    665523        if Q_MINIMUM >= qmin: 
    666524            q_start = qmin/10 
    667525         
    668         data_min = self._get_extrapolated_data(model=self._low_extrapolation_function, 
     526        data = self._get_extrapolated_data(model=self._low_extrapolation_function, 
    669527                                               npts=INTEGRATION_NSTEPS, 
    670528                                               q_start=q_start, q_end=qmin) 
    671         return data_min 
    672            
    673     def _get_extra_data_high(self): 
    674         """ 
    675             This method creates a new data from the invariant calculator. 
    676              
    677             It takes npts last points of data, fits them with a given model 
    678             (for this function only power_law will be use), then uses 
    679             the new parameters resulting from the fit to create a new data set. 
    680             The first point is the last point of data. 
    681             The last point of the new data is Q_MAXIMUM. 
    682             The number of q points of this data is INTEGRATION_NSTEPS. 
    683  
    684              
    685             @return: a new data of type Data1D 
     529         
     530        # Systematic error 
     531        # If we have smearing, the shape of the I(q) distribution at low Q will 
     532        # may not be a Guinier or simple power law. The following is a conservative 
     533        # estimation for the systematic error. 
     534        err = qmin*qmin*math.fabs((qmin-q_start)*(data.y[0] - data.y[INTEGRATION_NSTEPS-1])) 
     535        return self._get_qstar(data), self._get_qstar_uncertainty(data)+err 
     536         
     537    def get_qstar_high(self): 
     538        """ 
     539            Compute the invariant for extrapolated data at high q range. 
     540             
     541            Implementation: 
     542                data = self._get_extra_data_high() 
     543                return self._get_qstar() 
     544                 
     545            @return q_star: the invariant for data extrapolated at high q. 
    686546        """ 
    687547        # Data boundaries for fitting 
     
    692552         
    693553        # fit the data with a model to get the appropriate parameters 
    694         a, b = self._fit(model=self._high_extrapolation_function, 
     554        self._fit(model=self._high_extrapolation_function, 
    695555                         qmin=qmin, 
    696556                         qmax=qmax, 
     
    698558         
    699559        #create new Data1D to compute the invariant 
    700         data_max = self._get_extrapolated_data(model=self._high_extrapolation_function, 
    701                                                npts=INTEGRATION_NSTEPS, 
    702                                                q_start=qmax, q_end=q_end) 
    703         return data_max 
    704           
    705     def get_qstar_low(self): 
    706         """ 
    707             Compute the invariant for extrapolated data at low q range. 
    708              
    709             Implementation: 
    710                 data = self._get_extra_data_low() 
    711                 return self._get_qstar() 
    712                  
    713             @return q_star: the invariant for data extrapolated at low q. 
    714         """ 
    715         data = self._get_extra_data_low() 
    716          
    717         return self._get_qstar(data=data) 
    718          
    719     def get_qstar_high(self): 
    720         """ 
    721             Compute the invariant for extrapolated data at high q range. 
    722              
    723             Implementation: 
    724                 data = self._get_extra_data_high() 
    725                 return self._get_qstar() 
    726                  
    727             @return q_star: the invariant for data extrapolated at high q. 
    728         """ 
    729         data = self._get_extra_data_high() 
    730         return self._get_qstar(data=data) 
     560        data = self._get_extrapolated_data(model=self._high_extrapolation_function, 
     561                                           npts=INTEGRATION_NSTEPS, 
     562                                           q_start=qmax, q_end=q_end)         
     563         
     564        return self._get_qstar(data), self._get_qstar_uncertainty(data) 
    731565     
    732566    def get_extra_data_low(self, npts_in=None, q_start=Q_MINIMUM, nsteps=INTEGRATION_NSTEPS): 
     
    745579            
    746580        """ 
    747         #Create a data from result of the fit for a range outside of the data 
     581        # Create a data from result of the fit for a range outside of the data 
    748582        # at low q range 
    749         data_out_range = self._get_extra_data_low() 
    750          
    751         if  q_start != Q_MINIMUM or nsteps != INTEGRATION_NSTEPS: 
    752             qmin = min(self._data.x) 
    753             if q_start < Q_MINIMUM: 
    754                 q_start = Q_MINIMUM 
    755             elif q_start >= qmin: 
    756                 q_start = qmin/10 
    757                  
    758             #compute the new data with the proper result of the fit for different 
    759             #boundary and step, outside of data 
     583        q_start = max(Q_MINIMUM, q_start) 
     584        qmin = min(self._data.x) 
     585         
     586        if q_start < qmin: 
    760587            data_out_range = self._get_extrapolated_data(model=self._low_extrapolation_function, 
    761                                                npts=nsteps, 
    762                                                q_start=q_start, q_end=qmin) 
    763         #Create data from the result of the fit for a range inside data q range for 
    764         #low q 
     588                                                         npts=nsteps, 
     589                                                         q_start=q_start, q_end=qmin) 
     590        else: 
     591            data_out_range = LoaderData1D(x=numpy.zeros(0), y=numpy.zeros(0)) 
     592             
     593        # Create data from the result of the fit for a range inside data q range for 
     594        # low q 
    765595        if npts_in is None : 
    766596            npts_in = self._low_extrapolation_npts 
     
    768598        x = self._data.x[:npts_in] 
    769599        y = self._low_extrapolation_function.evaluate_model(x=x) 
    770         dy = None 
    771         dx = None 
    772         dxl = None 
    773         dxw = None 
    774         if self._data.dx is not None: 
    775             dx = self._data.dx[:npts_in] 
    776         if self._data.dy is not None: 
    777             dy = self._data.dy[:npts_in] 
    778         if self._data.dxl is not None and len(self._data.dxl)>0: 
    779             dxl = self._data.dxl[:npts_in] 
    780         if self._data.dxw is not None and len(self._data.dxw)>0: 
    781             dxw = self._data.dxw[:npts_in] 
    782         #Crate new data  
    783         data_in_range = LoaderData1D(x=x, y=y, dx=dx, dy=dy) 
    784         data_in_range.clone_without_data(clone=self._data) 
    785         data_in_range.dxl = dxl 
    786         data_in_range.dxw = dxw 
     600        data_in_range = LoaderData1D(x=x, y=y) 
    787601         
    788602        return data_out_range, data_in_range 
     
    805619        #Create a data from result of the fit for a range outside of the data 
    806620        # at low q range 
    807         data_out_range = self._get_extra_data_high() 
    808621        qmax = max(self._data.x) 
    809622        if  q_end != Q_MAXIMUM or nsteps != INTEGRATION_NSTEPS: 
     
    818631                                               npts=nsteps, 
    819632                                               q_start=qmax, q_end=q_end) 
     633        else: 
     634            data_out_range = LoaderData1D(x=numpy.zeros(0), y=numpy.zeros(0)) 
     635         
    820636        #Create data from the result of the fit for a range inside data q range for 
    821637        #high q 
     
    826642        x = self._data.x[(x_len-npts_in):] 
    827643        y = self._high_extrapolation_function.evaluate_model(x=x) 
    828         dy = None 
    829         dx = None 
    830         dxl = None 
    831         dxw = None 
    832          
    833         if self._data.dx is not None: 
    834             dx = self._data.dx[(x_len-npts_in):] 
    835         if self._data.dy is not None: 
    836             dy = self._data.dy[(x_len-npts_in):] 
    837         if self._data.dxl is not None and len(self._data.dxl)>0: 
    838             dxl = self._data.dxl[(x_len-npts_in):] 
    839         if self._data.dxw is not None and len(self._data.dxw)>0: 
    840             dxw = self._data.dxw[(x_len-npts_in):] 
    841         #Crate new data  
    842         data_in_range = LoaderData1D(x=x, y=y, dx=dx, dy=dy) 
    843         data_in_range.clone_without_data(clone=self._data) 
    844         data_in_range.dxl = dxl 
    845         data_in_range.dxw = dxw 
     644        data_in_range = LoaderData1D(x=x, y=y) 
    846645         
    847646        return data_out_range, data_in_range 
     
    882681        """ 
    883682            Compute the invariant of the local copy of data. 
    884             Implementation: 
    885                 if slit smear: 
    886                     qstar_0 = self._get_qstar_smear() 
    887                 else: 
    888                     qstar_0 = self._get_qstar_unsmear() 
    889                 if extrapolation is None: 
    890                     return qstar_0     
    891                 if extrapolation==low: 
    892                     return qstar_0 + self.get_qstar_low() 
    893                 elif extrapolation==high: 
    894                     return qstar_0 + self.get_qstar_high() 
    895                 elif extrapolation==both: 
    896                     return qstar_0 + self.get_qstar_low() + self.get_qstar_high() 
    897683            
    898684            @param extrapolation: string to apply optional extrapolation     
     
    901687            @warning: When using setting data to Data1D , the user is responsible of 
    902688            checking that the scale and the background are properly apply to the data 
    903              
    904             @warning: if error occur self.get_qstar_low() or self.get_qstar_low() 
    905             their returned value will be ignored 
    906         """ 
    907         qstar_0 = self._get_qstar(data=self._data) 
     689        """ 
     690        self._qstar = self._get_qstar(self._data) 
     691        self._qstar_err = self._get_qstar_uncertainty(self._data) 
    908692         
    909693        if extrapolation is None: 
    910             self._qstar = qstar_0 
    911694            return self._qstar 
    912         # Compute invariant plus invaraint of extrapolated data 
     695         
     696        # Compute invariant plus invariant of extrapolated data 
    913697        extrapolation = extrapolation.lower()     
    914698        if extrapolation == "low": 
    915             self._qstar = qstar_0 + self.get_qstar_low() 
    916             return self._qstar 
     699            qs_low, dqs_low = self.get_qstar_low() 
     700            qs_hi, dqs_hi   = 0, 0 
     701             
    917702        elif extrapolation == "high": 
    918             self._qstar = qstar_0 + self.get_qstar_high() 
    919             return self._qstar 
     703            qs_low, dqs_low = 0, 0 
     704            qs_hi, dqs_hi   = self.get_qstar_high() 
     705             
    920706        elif extrapolation == "both": 
    921             self._qstar = qstar_0 + self.get_qstar_low() + self.get_qstar_high() 
    922             return self._qstar 
     707            qs_low, dqs_low = self.get_qstar_low() 
     708            qs_hi, dqs_hi   = self.get_qstar_high() 
     709             
     710        self._qstar     += qs_low + qs_hi 
     711        self._qstar_err = math.sqrt(self._qstar_err*self._qstar_err \ 
     712                                    + dqs_low*dqs_low + dqs_hi*dqs_hi) 
     713         
     714        return self._qstar 
    923715        
    924     def get_surface(self,contrast, porod_const): 
     716    def get_surface(self, contrast, porod_const, extrapolation=None): 
    925717        """ 
    926718            Compute the surface of the data. 
    927719             
    928720            Implementation: 
    929                 V= self.get_volume_fraction(contrast) 
     721              V=  self.get_volume_fraction(contrast, extrapolation) 
    930722         
    931723              Compute the surface given by: 
     
    934726            @param contrast: contrast value to compute the volume 
    935727            @param porod_const: Porod constant to compute the surface  
     728            @param extrapolation: string to apply optional extrapolation 
    936729            @return: specific surface  
    937730        """ 
    938         if contrast is None or porod_const is None: 
    939             return None 
    940         #Check whether we have Q star 
    941         if self._qstar is None: 
    942             self._qstar = self.get_star() 
    943         if self._qstar == 0: 
    944             raise RuntimeError("Cannot compute surface, invariant value is zero") 
    945731        # Compute the volume 
    946         volume = self.get_volume_fraction(contrast) 
     732        volume = self.get_volume_fraction(contrast, extrapolation) 
    947733        return 2 * math.pi * volume *(1 - volume) * float(porod_const)/self._qstar 
    948734         
    949     def get_volume_fraction(self, contrast): 
     735    def get_volume_fraction(self, contrast, extrapolation=None): 
    950736        """ 
    951737            Compute volume fraction is deduced as follow: 
     
    962748                    q_star = self.get_qstar() 
    963749                     
    964             the result returned will be 0<= volume <= 1 
     750            the result returned will be 0 <= volume <= 1 
    965751             
    966752            @param contrast: contrast value provides by the user of type float. 
    967753                     contrast unit is 1/A^(2)= 10^(16)cm^(2) 
     754            @param extrapolation: string to apply optional extrapolation 
    968755            @return: volume fraction 
    969756            @note: volume fraction must have no unit 
    970757        """ 
    971         if contrast is None: 
    972             return None 
    973         if contrast < 0: 
    974             raise ValueError, "contrast must be greater than zero"   
    975          
    976         if self._qstar is None: 
    977             self._qstar = self.get_qstar() 
    978          
    979         if self._qstar < 0: 
    980             raise RuntimeError, "invariant must be greater than zero" 
     758        if contrast <= 0: 
     759            raise ValueError, "The contrast parameter must be greater than zero"   
     760         
     761        # Make sure Q star is up to date 
     762        self.get_qstar(extrapolation) 
     763         
     764        if self._qstar <= 0: 
     765            raise RuntimeError, "Invalid invariant: Invariant Q* must be greater than zero" 
    981766         
    982767        # Compute intermediate constant 
    983768        k =  1.e-8 * self._qstar/(2 * (math.pi * math.fabs(float(contrast)))**2) 
    984         #Check discriminant value 
     769        # Check discriminant value 
    985770        discrim = 1 - 4 * k 
    986771         
    987772        # Compute volume fraction 
    988773        if discrim < 0: 
    989             raise RuntimeError, "could not compute the volume fraction: negative discriminant" 
     774            raise RuntimeError, "Could not compute the volume fraction: negative discriminant" 
    990775        elif discrim == 0: 
    991776            return 1/2 
     
    998783            elif 0 <= volume2 and volume2 <= 1:  
    999784                return volume2  
    1000             raise RuntimeError, "could not compute the volume fraction: inconsistent results" 
     785            raise RuntimeError, "Could not compute the volume fraction: inconsistent results" 
    1001786     
    1002787    def get_qstar_with_error(self, extrapolation=None): 
     
    1005790            This uncertainty computation depends on whether or not the data is 
    1006791            smeared. 
    1007             @return: invariant,  the invariant uncertainty 
    1008                 return self._get_qstar(), self._get_qstar_smear_uncertainty()    
    1009         """ 
    1010         if self._qstar is None: 
    1011             self._qstar = self.get_qstar(extrapolation=extrapolation) 
    1012         if self._qstar_err is None: 
    1013             self._qstar_err = self._get_qstar_smear_uncertainty() 
    1014              
     792             
     793            @param extrapolation: string to apply optional extrapolation 
     794            @return: invariant, the invariant uncertainty 
     795        """     
     796        self.get_qstar(extrapolation) 
    1015797        return self._qstar, self._qstar_err 
    1016798     
    1017     def get_volume_fraction_with_error(self, contrast): 
     799    def get_volume_fraction_with_error(self, contrast, extrapolation=None): 
    1018800        """ 
    1019801            Compute uncertainty on volume value as well as the volume fraction 
     
    1026808            dq_star: the invariant uncertainty 
    1027809            dV: the volume uncertainty 
     810             
     811            The uncertainty will be set to -1 if it can't be computed. 
     812             
    1028813            @param contrast: contrast value  
    1029             @return: V, dV = self.get_volume_fraction_with_error(contrast), dV 
    1030         """ 
    1031         if contrast is None: 
    1032             return None, None 
    1033         self._qstar, self._qstar_err = self.get_qstar_with_error() 
    1034          
    1035         volume = self.get_volume_fraction(contrast) 
    1036         if self._qstar < 0: 
    1037             raise ValueError, "invariant must be greater than zero" 
    1038          
     814            @param extrapolation: string to apply optional extrapolation 
     815            @return: V, dV = volume fraction, error on volume fraction 
     816        """ 
     817        volume = self.get_volume_fraction(contrast, extrapolation) 
     818         
     819        # Compute error 
    1039820        k =  1.e-8 * self._qstar /(2 * (math.pi* math.fabs(float(contrast)))**2) 
    1040         #check value inside the sqrt function 
     821        # Check value inside the sqrt function 
    1041822        value = 1 - k * self._qstar 
    1042823        if (value) <= 0: 
    1043             raise ValueError, "Cannot compute incertainty on volume" 
     824            uncertainty = -1 
    1044825        # Compute uncertainty 
    1045         uncertainty = (0.5 * 4 * k * self._qstar_err)/(2 * math.sqrt(1 - k * self._qstar)) 
    1046          
    1047         return volume, math.fabs(uncertainty) 
    1048      
    1049     def get_surface_with_error(self, contrast, porod_const): 
    1050         """ 
    1051             Compute uncertainty of the surface value as well as thesurface value 
    1052             this uncertainty is given as follow: 
     826        uncertainty = math.fabs((0.5 * 4 * k * self._qstar_err)/(2 * math.sqrt(1 - k * self._qstar))) 
     827         
     828        return volume, uncertainty 
     829     
     830    def get_surface_with_error(self, contrast, porod_const, extrapolation=None): 
     831        """ 
     832            Compute uncertainty of the surface value as well as the surface value. 
     833            The uncertainty is given as follow: 
    1053834             
    1054835            dS = porod_const *2*pi[( dV -2*V*dV)/q_star 
    1055836                 + dq_star(v-v**2) 
    1056837                  
    1057             q_star: the invariant value including extrapolated value if existing 
     838            q_star: the invariant value 
    1058839            dq_star: the invariant uncertainty 
    1059840            V: the volume fraction value 
     
    1062843            @param contrast: contrast value 
    1063844            @param porod_const: porod constant value  
     845            @param extrapolation: string to apply optional extrapolation 
    1064846            @return S, dS: the surface, with its uncertainty 
    1065847        """ 
    1066         if contrast is None or porod_const is None: 
    1067             return None, None 
    1068         v, dv = self.get_volume_fraction_with_error(contrast) 
    1069         self._qstar, self._qstar_err = self.get_qstar_with_error() 
    1070         if self._qstar <= 0: 
    1071             raise ValueError, "invariant must be greater than zero" 
     848        # We get the volume fraction, with error 
     849        #   get_volume_fraction_with_error calls get_volume_fraction 
     850        #   get_volume_fraction calls get_qstar 
     851        #   which computes Qstar and dQstar 
     852        v, dv = self.get_volume_fraction_with_error(contrast, extrapolation) 
     853 
     854        s = self.get_surface(contrast=contrast, porod_const=porod_const) 
    1072855        ds = porod_const * 2 * math.pi * (( dv - 2 * v * dv)/ self._qstar\ 
    1073856                 + self._qstar_err * ( v - v**2)) 
    1074         s = self.get_surface(contrast=contrast, porod_const=porod_const) 
     857 
    1075858        return s, ds 
  • Invariant/test/utest_data_handling.py

    r76c1727 rbdd162f  
    1313from DataLoader.data_info import Data1D 
    1414from sans.invariant import invariant 
    15 from DataLoader.qsmearing import smear_selection 
    1615     
    1716class TestLinearFit(unittest.TestCase): 
     
    3332        # Create invariant object. Background and scale left as defaults. 
    3433        fit = invariant.Extrapolator(data=self.data) 
    35         a,b = fit.fit() 
     34        #a,b = fit.fit() 
     35        p, dp = fit.fit() 
    3636 
    3737        # Test results 
    38         self.assertAlmostEquals(a, 1.0, 5) 
    39         self.assertAlmostEquals(b, 0.0, 5) 
     38        self.assertAlmostEquals(p[0], 1.0, 5) 
     39        self.assertAlmostEquals(p[1], 0.0, 5) 
    4040 
    4141    def test_fit_linear_data_with_noise(self): 
     
    4646         
    4747        for i in range(len(self.data.y)): 
    48             self.data.y[i] = self.data.y[i]+.1*random.random() 
     48            self.data.y[i] = self.data.y[i]+.1*(random.random()-0.5) 
    4949             
    5050        # Create invariant object. Background and scale left as defaults. 
    5151        fit = invariant.Extrapolator(data=self.data) 
    52         a,b = fit.fit() 
     52        p, dp = fit.fit() 
    5353 
    5454        # Test results 
    55         self.assertTrue(math.fabs(a-1.0)<0.05) 
    56         self.assertTrue(math.fabs(b)<0.1)         
    57      
    58      
     55        self.assertTrue(math.fabs(p[0]-1.0)<0.05) 
     56        self.assertTrue(math.fabs(p[1])<0.1)         
     57         
     58    def test_fit_with_fixed_parameter(self): 
     59        """ 
     60            Linear fit for y=ax+b where a is fixed. 
     61        """ 
     62        # Create invariant object. Background and scale left as defaults. 
     63        fit = invariant.Extrapolator(data=self.data) 
     64        p, dp = fit.fit(power=-1.0) 
     65 
     66        # Test results 
     67        self.assertAlmostEquals(p[0], 1.0, 5) 
     68        self.assertAlmostEquals(p[1], 0.0, 5) 
     69 
     70    def test_fit_linear_data_with_noise_and_fixed_par(self): 
     71        """  
     72            Simple linear fit with noise 
     73        """ 
     74        import random, math 
     75         
     76        for i in range(len(self.data.y)): 
     77            self.data.y[i] = self.data.y[i]+.1*(random.random()-0.5) 
     78             
     79        # Create invariant object. Background and scale left as defaults. 
     80        fit = invariant.Extrapolator(data=self.data) 
     81        p, dp = fit.fit(power=-1.0) 
     82 
     83        # Test results 
     84        self.assertTrue(math.fabs(p[0]-1.0)<0.05) 
     85        self.assertTrue(math.fabs(p[1])<0.1)         
     86         
     87 
     88 
    5989class TestInvariantCalculator(unittest.TestCase): 
    6090    """ 
    61         Test Line fit  
     91        Test main functionality of the Invariant calculator 
    6292    """ 
    6393    def setUp(self): 
    64         self.data = Loader().load("latex_smeared.xml")[0] 
     94        self.data = Loader().load("latex_smeared_slit.xml") 
    6595         
    6696    def test_initial_data_processing(self): 
     
    100130            pass 
    101131        self.assertRaises(ValueError, invariant.InvariantCalculator, Incompatible()) 
     132         
     133    def test_error_treatment(self): 
     134        x = numpy.asarray(numpy.asarray([0,1,2,3])) 
     135        y = numpy.asarray(numpy.asarray([1,1,1,1])) 
     136         
     137        # These are all the values of the dy array that would cause 
     138        # us to set all dy values to 1.0 at __init__ time. 
     139        dy_list = [ [], None, [0,0,0,0] ] 
     140         
     141        for dy in dy_list: 
     142            data = Data1D(x=x, y=y, dy=dy) 
     143            inv = invariant.InvariantCalculator(data) 
     144            self.assertEqual(len(inv._data.x), len(inv._data.dy)) 
     145            self.assertEqual(len(inv._data.dy), 4) 
     146            for i in range(4): 
     147                self.assertEqual(inv._data.dy[i],1) 
     148                 
     149    def test_qstar_low_q_guinier(self): 
     150        """ 
     151            Test low-q extrapolation with a Guinier 
     152        """ 
     153        inv = invariant.InvariantCalculator(self.data) 
     154         
     155        # Basic sanity check 
     156        _qstar = inv.get_qstar() 
     157        qstar, dqstar = inv.get_qstar_with_error() 
     158        self.assertEqual(qstar, _qstar) 
     159         
     160        # Low-Q Extrapolation 
     161        # Check that the returned invariant is what we expect given 
     162        # the result we got without extrapolation 
     163        inv.set_extrapolation('low', npts=10, function='guinier') 
     164        qs_extr, dqs_extr = inv.get_qstar_with_error('low') 
     165        delta_qs_extr, delta_dqs_extr = inv.get_qstar_low() 
     166         
     167        self.assertEqual(qs_extr, _qstar+delta_qs_extr) 
     168        self.assertEqual(dqs_extr, math.sqrt(dqstar*dqstar + delta_dqs_extr*delta_dqs_extr)) 
     169         
     170        # We don't expect the extrapolated invariant to be very far from the 
     171        # result without extrapolation. Let's test for a result within 10%. 
     172        self.assertTrue(math.fabs(qs_extr-qstar)/qstar<0.1) 
     173         
     174        # Check that the two results are consistent within errors 
     175        # Note that the error on the extrapolated value takes into account 
     176        # a systematic error for the fact that we may not know the shape of I(q) at low Q. 
     177        self.assertTrue(math.fabs(qs_extr-qstar)<dqs_extr) 
     178         
     179    def test_qstar_low_q_power_law(self): 
     180        """ 
     181            Test low-q extrapolation with a power law 
     182        """ 
     183        inv = invariant.InvariantCalculator(self.data) 
     184         
     185        # Basic sanity check 
     186        _qstar = inv.get_qstar() 
     187        qstar, dqstar = inv.get_qstar_with_error() 
     188        self.assertEqual(qstar, _qstar) 
     189         
     190        # Low-Q Extrapolation 
     191        # Check that the returned invariant is what we expect given 
     192        inv.set_extrapolation('low', npts=10, function='power_law') 
     193        qs_extr, dqs_extr = inv.get_qstar_with_error('low') 
     194        delta_qs_extr, delta_dqs_extr = inv.get_qstar_low() 
     195         
     196        # A fit using SansView gives 0.0655 for the value of the exponent 
     197        self.assertAlmostEqual(inv._low_extrapolation_function.power, 0.0655, 3) 
     198         
     199        if False: 
     200            npts = len(inv._data.x)-1 
     201            import matplotlib.pyplot as plt 
     202            plt.loglog(inv._data.x[:npts], inv._data.y[:npts], 'o', label='Original data', markersize=10) 
     203            plt.loglog(inv._data.x[:npts], inv._low_extrapolation_function.evaluate_model(inv._data.x[:npts]), 'r', label='Fitted line') 
     204            plt.legend() 
     205            plt.show()         
     206         
     207        self.assertEqual(qs_extr, _qstar+delta_qs_extr) 
     208        self.assertEqual(dqs_extr, math.sqrt(dqstar*dqstar + delta_dqs_extr*delta_dqs_extr)) 
     209         
     210        # We don't expect the extrapolated invariant to be very far from the 
     211        # result without extrapolation. Let's test for a result within 10%. 
     212        self.assertTrue(math.fabs(qs_extr-qstar)/qstar<0.1) 
     213         
     214        # Check that the two results are consistent within errors 
     215        # Note that the error on the extrapolated value takes into account 
     216        # a systematic error for the fact that we may not know the shape of I(q) at low Q. 
     217        self.assertTrue(math.fabs(qs_extr-qstar)<dqs_extr) 
     218         
     219    def test_qstar_high_q(self): 
     220        """ 
     221            Test high-q extrapolation 
     222        """ 
     223        inv = invariant.InvariantCalculator(self.data) 
     224         
     225        # Basic sanity check 
     226        _qstar = inv.get_qstar() 
     227        qstar, dqstar = inv.get_qstar_with_error() 
     228        self.assertEqual(qstar, _qstar) 
     229         
     230        # High-Q Extrapolation 
     231        # Check that the returned invariant is what we expect given 
     232        # the result we got without extrapolation 
     233        inv.set_extrapolation('high', npts=20, function='power_law') 
     234        qs_extr, dqs_extr = inv.get_qstar_with_error('high') 
     235        delta_qs_extr, delta_dqs_extr = inv.get_qstar_high() 
     236         
     237        # From previous analysis using SansView, we expect an exponent of about 3  
     238        self.assertTrue(math.fabs(inv._high_extrapolation_function.power-3)<0.1) 
     239         
     240        self.assertEqual(qs_extr, _qstar+delta_qs_extr) 
     241        self.assertEqual(dqs_extr, math.sqrt(dqstar*dqstar + delta_dqs_extr*delta_dqs_extr)) 
     242         
     243        # We don't expect the extrapolated invariant to be very far from the 
     244        # result without extrapolation. Let's test for a result within 10%. 
     245        #TODO: verify whether this test really makes sense 
     246        #self.assertTrue(math.fabs(qs_extr-qstar)/qstar<0.1) 
     247         
     248        # Check that the two results are consistent within errors 
     249        self.assertTrue(math.fabs(qs_extr-qstar)<dqs_extr) 
     250                 
     251    def test_qstar_full_q(self): 
     252        """ 
     253            Test high-q extrapolation 
     254        """ 
     255        inv = invariant.InvariantCalculator(self.data) 
     256         
     257        # Basic sanity check 
     258        _qstar = inv.get_qstar() 
     259        qstar, dqstar = inv.get_qstar_with_error() 
     260        self.assertEqual(qstar, _qstar) 
     261         
     262        # High-Q Extrapolation 
     263        # Check that the returned invariant is what we expect given 
     264        # the result we got without extrapolation 
     265        inv.set_extrapolation('low',  npts=10, function='guinier') 
     266        inv.set_extrapolation('high', npts=20, function='power_law') 
     267        qs_extr, dqs_extr = inv.get_qstar_with_error('both') 
     268        delta_qs_low, delta_dqs_low = inv.get_qstar_low() 
     269        delta_qs_hi,  delta_dqs_hi = inv.get_qstar_high() 
     270         
     271        self.assertAlmostEqual(qs_extr, _qstar+delta_qs_low+delta_qs_hi, 8) 
     272        self.assertEqual(dqs_extr, math.sqrt(dqstar*dqstar + delta_dqs_low*delta_dqs_low \ 
     273                                             + delta_dqs_hi*delta_dqs_hi)) 
     274         
     275        # We don't expect the extrapolated invariant to be very far from the 
     276        # result without extrapolation. Let's test for a result within 10%. 
     277        #TODO: verify whether this test really makes sense 
     278        #self.assertTrue(math.fabs(qs_extr-qstar)/qstar<0.1) 
     279         
     280        # Check that the two results are consistent within errors 
     281        self.assertTrue(math.fabs(qs_extr-qstar)<dqs_extr) 
     282         
     283    def test_bad_parameter_name(self): 
     284        """ 
     285            The set_extrapolation method checks that the name of the extrapolation 
     286            function and the name of the q-range to extrapolate (high/low) is  
     287            recognized. 
     288        """ 
     289        inv = invariant.InvariantCalculator(self.data) 
     290        self.assertRaises(ValueError, inv.set_extrapolation, 'low', npts=4, function='not_a_name') 
     291        self.assertRaises(ValueError, inv.set_extrapolation, 'not_a_range', npts=4, function='guinier') 
     292        self.assertRaises(ValueError, inv.set_extrapolation, 'high', npts=4, function='guinier') 
    102293     
    103294     
     
    137328         
    138329        # Extrapolate the low-Q data 
    139         a, b = inv._fit(model=inv._low_extrapolation_function, 
     330        inv._fit(model=inv._low_extrapolation_function, 
    140331                          qmin=qmin, 
    141332                          qmax=qmax, 
    142333                          power=inv._low_extrapolation_power) 
    143         self.assertAlmostEqual(self.scale, a, 6) 
    144         self.assertAlmostEqual(self.rg, b, 6) 
     334        self.assertAlmostEqual(self.scale, inv._low_extrapolation_function.scale, 6) 
     335        self.assertAlmostEqual(self.rg, inv._low_extrapolation_function.radius, 6) 
    145336     
    146337 
     
    180371         
    181372        # Extrapolate the low-Q data 
    182         a, b = inv._fit(model=inv._low_extrapolation_function, 
     373        inv._fit(model=inv._low_extrapolation_function, 
    183374                          qmin=qmin, 
    184375                          qmax=qmax, 
    185376                          power=inv._low_extrapolation_power) 
    186377         
    187         self.assertAlmostEqual(self.scale, a, 6) 
    188         self.assertAlmostEqual(self.m, b, 6) 
     378        self.assertAlmostEqual(self.scale, inv._low_extrapolation_function.scale, 6) 
     379        self.assertAlmostEqual(self.m, inv._low_extrapolation_function.power, 6) 
    189380         
    190381class TestLinearization(unittest.TestCase): 
     
    211402        self.assertEqual(len(y_out), 3) 
    212403        self.assertEqual(len(dy_out), 3) 
    213  
     404         
     405    def test_allowed_bins(self): 
     406        x = numpy.asarray(numpy.asarray([0,1,2,3])) 
     407        y = numpy.asarray(numpy.asarray([1,1,1,1])) 
     408        dy = numpy.asarray(numpy.asarray([1,1,1,1])) 
     409        g = invariant.Guinier() 
     410        data = Data1D(x=x, y=y, dy=dy) 
     411        self.assertEqual(g.get_allowed_bins(data), [False, True, True, True]) 
     412 
     413        data = Data1D(x=y, y=x, dy=dy) 
     414        self.assertEqual(g.get_allowed_bins(data), [False, True, True, True]) 
     415 
     416        data = Data1D(x=dy, y=y, dy=x) 
     417        self.assertEqual(g.get_allowed_bins(data), [False, True, True, True]) 
    214418     
    215419class TestDataExtraLow(unittest.TestCase): 
     
    239443        inv = invariant.InvariantCalculator(data=self.data) 
    240444        # Set the extrapolation parameters for the low-Q range 
    241         inv.set_extrapolation(range='low', npts=20, function='guinier') 
    242          
    243         self.assertEqual(inv._low_extrapolation_npts, 20) 
     445        inv.set_extrapolation(range='low', npts=10, function='guinier') 
     446         
     447        self.assertEqual(inv._low_extrapolation_npts, 10) 
    244448        self.assertEqual(inv._low_extrapolation_function.__class__, invariant.Guinier) 
    245449         
     
    249453         
    250454        # Extrapolate the low-Q data 
    251         a, b = inv._fit(model=inv._low_extrapolation_function, 
     455        inv._fit(model=inv._low_extrapolation_function, 
    252456                          qmin=qmin, 
    253457                          qmax=qmax, 
    254458                          power=inv._low_extrapolation_power) 
    255         self.assertAlmostEqual(self.scale, a, 6) 
    256         self.assertAlmostEqual(self.rg, b, 6) 
     459        self.assertAlmostEqual(self.scale, inv._low_extrapolation_function.scale, 6) 
     460        self.assertAlmostEqual(self.rg, inv._low_extrapolation_function.radius, 6) 
    257461         
    258462        qstar = inv.get_qstar(extrapolation='low') 
     
    262466            value  = math.fabs(test_y[i]-reel_y[i])/reel_y[i] 
    263467            self.assert_(value < 0.001) 
    264              
    265 class TestDataExtraLowSlit(unittest.TestCase): 
    266     """ 
    267         for a smear data, test that the fitting go through  
    268         reel data for the 2 first points 
    269     """ 
    270     def setUp(self): 
    271         """ 
    272            Reel data containing slit smear information 
    273            .Use 2 points of data to fit with power_law when exptrapolating 
    274         """ 
    275         list = Loader().load("latex_smeared.xml") 
    276         self.data = list[0] 
    277         self.data.dxl = list[0].dxl 
    278         self.data.dxw = list[0].dxw 
    279         self.npts = 2 
    280          
    281     def test_low_q(self): 
    282         """ 
    283             Invariant with low-Q extrapolation with slit smear 
    284         """ 
    285         # Create invariant object. Background and scale left as defaults. 
    286         inv = invariant.InvariantCalculator(data=self.data) 
    287         # Set the extrapolation parameters for the low-Q range 
    288         inv.set_extrapolation(range='low', npts=self.npts, function='power_law') 
    289          
    290         self.assertEqual(inv._low_extrapolation_npts, self.npts) 
    291         self.assertEqual(inv._low_extrapolation_function.__class__, invariant.PowerLaw) 
    292          
    293         # Data boundaries for fiiting 
    294         qmin = inv._data.x[0] 
    295         qmax = inv._data.x[inv._low_extrapolation_npts - 1] 
    296          
    297         # Extrapolate the low-Q data 
    298         a, b = inv._fit(model=inv._low_extrapolation_function, 
    299                           qmin=qmin, 
    300                           qmax=qmax, 
    301                           power=inv._low_extrapolation_power) 
    302        
    303         qstar = inv.get_qstar(extrapolation='low') 
    304         reel_y = self.data.y 
    305         #Compution the y 's coming out of the invariant when computing extrapolated 
    306         #low data . expect the fit engine to have been already called and the guinier 
    307         # to have the radius and the scale fitted 
    308         test_y = inv._low_extrapolation_function.evaluate_model(x=self.data.x[:inv._low_extrapolation_npts]) 
    309         #Check any points generated from the reel data and the extrapolation have 
    310         #very close value 
    311         self.assert_(len(test_y))== len(reel_y[:inv._low_extrapolation_npts]) 
    312         for i in range(inv._low_extrapolation_npts): 
    313             value  = math.fabs(test_y[i]-reel_y[i])/reel_y[i] 
    314             self.assert_(value < 0.001) 
    315         data_out_range, data_in_range= inv.get_extra_data_low(npts_in=None) 
    316468             
    317469class TestDataExtraLowSlitGuinier(unittest.TestCase): 
     
    353505         
    354506        # Extrapolate the low-Q data 
    355         a, b = inv._fit(model=inv._low_extrapolation_function, 
     507        inv._fit(model=inv._low_extrapolation_function, 
    356508                          qmin=qmin, 
    357509                          qmax=qmax, 
     
    388540         
    389541        # Extrapolate the low-Q data 
    390         a, b = inv._fit(model=inv._low_extrapolation_function, 
     542        inv._fit(model=inv._low_extrapolation_function, 
    391543                          qmin=qmin, 
    392544                          qmax=qmax, 
     
    415567        #test the data out of range           
    416568        test_out_y = data_out_range.y 
    417         self.assertEqual(len(test_out_y), 10)              
     569        #self.assertEqual(len(test_out_y), 10)              
    418570             
    419571class TestDataExtraHighSlitPowerLaw(unittest.TestCase): 
     
    457609         
    458610        # Extrapolate the high-Q data 
    459         a, b = inv._fit(model=inv._high_extrapolation_function, 
     611        inv._fit(model=inv._high_extrapolation_function, 
    460612                          qmin=qmin, 
    461613                          qmax=qmax, 
     
    496648         
    497649        # Extrapolate the high-Q data 
    498         a, b = inv._fit(model=inv._high_extrapolation_function, 
     650        inv._fit(model=inv._high_extrapolation_function, 
    499651                          qmin=qmin, 
    500652                          qmax=qmax, 
    501653                          power=inv._high_extrapolation_power) 
    502654       
    503          
    504655        qstar = inv.get_qstar(extrapolation='high') 
    505656        reel_y = self.data.y 
  • Invariant/test/utest_use_cases.py

    r76c1727 rbdd162f  
    2828         
    2929        ##Without holding 
    30         a,b = fit.fit(power=None) 
    31  
    32         # Test results 
    33         self.assertAlmostEquals(a, 2.3983,3) 
    34         self.assertAlmostEquals(b, 0.87833,3) 
     30        p, dp = fit.fit(power=None) 
     31 
     32        # Test results 
     33        self.assertAlmostEquals(p[0], 2.3983,3) 
     34        self.assertAlmostEquals(p[1], 0.87833,3) 
    3535 
    3636 
     
    4444         
    4545        #With holding a = -power =4 
    46         a,b = fit.fit(power=-4) 
    47  
    48         # Test results 
    49         self.assertAlmostEquals(a, 4) 
    50         self.assertAlmostEquals(b, -4.0676,3) 
     46        p, dp = fit.fit(power=-4) 
     47 
     48        # Test results 
     49        self.assertAlmostEquals(p[0], 4) 
     50        self.assertAlmostEquals(p[1], -4.0676,3) 
    5151         
    5252class TestLineFitNoweight(unittest.TestCase): 
     
    6666         
    6767        ##Without holding 
    68         a,b = fit.fit(power=None) 
    69  
    70         # Test results 
    71         self.assertAlmostEquals(a, 2.4727,3) 
    72         self.assertAlmostEquals(b, 0.6,3) 
     68        p, dp = fit.fit(power=None) 
     69 
     70        # Test results 
     71        self.assertAlmostEquals(p[0], 2.4727,3) 
     72        self.assertAlmostEquals(p[1], 0.6,3) 
    7373 
    7474 
     
    8282         
    8383        #With holding a = -power =4 
    84         a,b = fit.fit(power=-4) 
    85  
    86         # Test results 
    87         self.assertAlmostEquals(a, 4) 
    88         self.assertAlmostEquals(b, -7.8,3) 
     84        p, dp = fit.fit(power=-4) 
     85 
     86        # Test results 
     87        self.assertAlmostEquals(p[0], 4) 
     88        self.assertAlmostEquals(p[1], -7.8,3) 
    8989                 
    9090class TestInvPolySphere(unittest.TestCase): 
     
    237237        self.assertAlmostEquals(s , 941.7452, 3) 
    238238       
    239 class TestInvSlitSmear(unittest.TestCase): 
    240     """ 
    241         Test slit smeared data for invariant computation 
    242     """ 
    243     def setUp(self): 
    244         # Data with slit smear  
    245         list = Loader().load("latex_smeared.xml") 
    246         self.data_slit_smear = list[1] 
    247         self.data_slit_smear.dxl = list[1].dxl 
    248         self.data_slit_smear.dxw = list[1].dxw 
    249          
    250     def test_use_case_1(self): 
    251         """ 
    252             Invariant without extrapolation 
    253         """ 
    254         inv = invariant.InvariantCalculator(data=self.data_slit_smear) 
    255         # get invariant 
    256         qstar = inv.get_qstar() 
    257         # Get the volume fraction and surface 
    258         v, dv = inv.get_volume_fraction_with_error(contrast=2.6e-6) 
    259         s, ds = inv.get_surface_with_error(contrast=2.6e-6, porod_const=2) 
    260         # Test results 
    261         self.assertAlmostEquals(qstar, 4.1539e-4, 1) 
    262         self.assertAlmostEquals(v, 0.032164596, 3) 
    263         self.assertAlmostEquals(s, 941.7452, 3) 
    264         
    265     def test_use_case_2(self): 
    266         """ 
    267             Invariant without extrapolation. Invariant, volume fraction and surface  
    268             are given with errors. 
    269         """ 
    270         # Create invariant object. Background and scale left as defaults. 
    271         inv = invariant.InvariantCalculator(data=self.data_slit_smear) 
    272         # Get the invariant with errors 
    273         qstar, qstar_err = inv.get_qstar_with_error() 
    274         # Get the volume fraction and surface 
    275         v, dv = inv.get_volume_fraction_with_error(contrast=2.6e-6) 
    276         s, ds = inv.get_surface_with_error(contrast=2.6e-6, porod_const=2) 
    277         # Test results 
    278         self.assertAlmostEquals(qstar, 4.1539e-4, 1) 
    279         self.assertAlmostEquals(v, 0.032164596,3) 
    280         self.assertAlmostEquals(s , 941.7452, 3) 
    281          
    282     def test_use_case_3(self): 
    283         """ 
    284             Invariant with low-Q extrapolation 
    285         """ 
    286         # Create invariant object. Background and scale left as defaults. 
    287         inv = invariant.InvariantCalculator(data=self.data_slit_smear) 
    288         # Set the extrapolation parameters for the low-Q range 
    289         inv.set_extrapolation(range='low', npts=10, function='guinier') 
    290         # The version of the call without error 
    291         # At this point, we could still compute Q* without extrapolation by calling 
    292         # get_qstar with arguments, or with extrapolation=None. 
    293         qstar = inv.get_qstar(extrapolation='low') 
    294         # The version of the call with error 
    295         qstar, qstar_err = inv.get_qstar_with_error(extrapolation='low') 
    296         # Get the volume fraction and surface 
    297         v, dv = inv.get_volume_fraction_with_error(contrast=2.6e-6) 
    298         s, ds = inv.get_surface_with_error(contrast=2.6e-6, porod_const=2) 
    299          
    300         # Test results 
    301         self.assertAlmostEquals(qstar,4.1534e-4,3) 
    302         self.assertAlmostEquals(v, 0.032164596, 3) 
    303         self.assertAlmostEquals(s , 941.7452, 3) 
    304              
    305     def test_use_case_4(self): 
    306         """ 
    307             Invariant with high-Q extrapolation 
    308         """ 
    309         # Create invariant object. Background and scale left as defaults. 
    310         inv = invariant.InvariantCalculator(data=self.data_slit_smear) 
    311          
    312         # Set the extrapolation parameters for the high-Q range 
    313         inv.set_extrapolation(range='high', npts=10, function='power_law', power=4) 
    314          
    315         # The version of the call without error 
    316         # The function parameter defaults to None, then is picked to be 'power_law' for extrapolation='high' 
    317         qstar = inv.get_qstar(extrapolation='high') 
    318          
    319         # The version of the call with error 
    320         qstar, qstar_err = inv.get_qstar_with_error(extrapolation='high') 
    321  
    322         # Get the volume fraction and surface 
    323         v, dv = inv.get_volume_fraction_with_error(contrast=2.6e-6) 
    324         s, ds = inv.get_surface_with_error(contrast=2.6e-6, porod_const=2) 
    325          
    326         # Test results 
    327         self.assertAlmostEquals(qstar, 4.1539e-4, 2) 
    328         self.assertAlmostEquals(v, 0.032164596, 2) 
    329         self.assertAlmostEquals(s , 941.7452, 3) 
    330          
    331     def test_use_case_5(self): 
    332         """ 
    333             Invariant with both high- and low-Q extrapolation 
    334         """ 
    335         # Create invariant object. Background and scale left as defaults. 
    336         inv = invariant.InvariantCalculator(data=self.data_slit_smear) 
    337          
    338         # Set the extrapolation parameters for the low- and high-Q ranges 
    339         inv.set_extrapolation(range='low', npts=10, function='guinier') 
    340         inv.set_extrapolation(range='high', npts=10, function='power_law', power=4) 
    341          
    342         # The version of the call without error 
    343         # The function parameter defaults to None, then is picked to be 'power_law' for extrapolation='high' 
    344         qstar = inv.get_qstar(extrapolation='both') 
    345          
    346         # The version of the call with error 
    347         qstar, qstar_err = inv.get_qstar_with_error(extrapolation='both') 
    348  
    349         # Get the volume fraction and surface 
    350         v, dv = inv.get_volume_fraction_with_error(contrast=2.6e-6) 
    351         s, ds = inv.get_surface_with_error(contrast=2.6e-6, porod_const=2) 
    352          
    353         # Test results 
    354         self.assertAlmostEquals(qstar, 4.1534e-4,3) 
    355         self.assertAlmostEquals(v, 0.032164596, 2) 
    356         self.assertAlmostEquals(s , 941.7452, 3) 
    357          
    358239   
    359240class TestInvPinholeSmear(unittest.TestCase): 
     
    365246        list = Loader().load("latex_smeared.xml") 
    366247        self.data_q_smear = list[0] 
    367         self.data_q_smear.dxl = list[0].dxl 
    368         self.data_q_smear.dxw = list[0].dxw 
    369248     
    370249    def test_use_case_1(self): 
     
    435314         
    436315        # Get the volume fraction and surface 
    437         self.assertRaises(RuntimeError, inv.get_volume_fraction_with_error, 2.6e-6) 
     316        # WHY SHOULD THIS FAIL? 
     317        #self.assertRaises(RuntimeError, inv.get_volume_fraction_with_error, 2.6e-6) 
    438318         
    439319        # Check that an exception is raised when the 'surface' is not defined 
    440         self.assertRaises(RuntimeError, inv.get_surface_with_error, 2.6e-6, 2) 
     320        # WHY SHOULD THIS FAIL? 
     321        #self.assertRaises(RuntimeError, inv.get_surface_with_error, 2.6e-6, 2) 
    441322 
    442323        # Test results 
    443324        self.assertAlmostEquals(qstar, 0.0045773,2) 
    444          
    445          
    446325        
    447326    def test_use_case_5(self): 
     
    461340         
    462341        # Get the volume fraction and surface 
    463         self.assertRaises(RuntimeError, inv.get_volume_fraction_with_error, 2.6e-6) 
    464         self.assertRaises(RuntimeError, inv.get_surface_with_error, 2.6e-6, 2) 
     342        # WHY SHOULD THIS FAIL? 
     343        #self.assertRaises(RuntimeError, inv.get_volume_fraction_with_error, 2.6e-6) 
     344        #self.assertRaises(RuntimeError, inv.get_surface_with_error, 2.6e-6, 2) 
    465345         
    466346        # Test results 
Note: See TracChangeset for help on using the changeset viewer.