Changeset e575db9 in sasview for sansview


Ignore:
Timestamp:
Mar 12, 2010 11:16:01 AM (15 years ago)
Author:
Jae Cho <jhjcho@…>
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:
00d3528
Parents:
3080527
Message:

Updated all 2D data inputs for new 2d format

Location:
sansview/perspectives/fitting
Files:
4 edited

Legend:

Unmodified
Added
Removed
  • sansview/perspectives/fitting/basepage.py

    rb324aa9 re575db9  
    5454        ## data 
    5555        self.data = None 
     56        self.mask = None 
    5657        self.state = PageState(parent=parent) 
    5758        ## dictionary containing list of models 
  • sansview/perspectives/fitting/fitpage.py

    rb324aa9 re575db9  
    916916        qmin,qmax = self.get_range() 
    917917        if self.data.__class__.__name__ =="Data2D": 
    918             for qx in self.data.x_bins: 
    919                 for qy in self.data.y_bins: 
    920                    if math.sqrt((qx*qx)+(qy*qy)) >= qmin \ 
    921                          and math.sqrt((qx*qx)+(qy*qy)) <= qmax: 
    922                        npts2fit += 1 
     918            npts2fit = len(self.data[self.mask]) 
    923919        else: 
    924920            for qx in self.data.x: 
     
    966962        #Check if chi2 is finite 
    967963        if chisqr != None or numpy.isfinite(chisqr): 
    968         #format chi2 
    969             npt_fit = float(self.get_npts2fit())    
    970             if self.engine_type == "park" and npt_fit > 0:   
     964        #format chi2   
     965            if self.engine_type == "park" and npt_fit > 0:   
     966                npt_fit = float(self.get_npts2fit())  
    971967                chisqr =chisqr/npt_fit     
    972968            chi2 = format_number(chisqr)     
     
    10571053 
    10581054                                has_error = True 
    1059                     i += 1          
     1055                    i += 1          
    10601056        #Show error title when any errors displayed 
    10611057        if has_error:  
     
    10861082            return 
    10871083        temp_smearer = None 
     1084        # make sure once more if it is smearer 
     1085        self.smearer = smear_selection(self.data) 
     1086 
    10881087        if self.enable_smearer.GetValue(): 
    10891088            temp_smearer= self.smearer 
  • sansview/perspectives/fitting/fitting.py

    rb324aa9 re575db9  
    965965         
    966966        detector = Detector() 
    967         theory.detector.append(detector)  
    968              
    969         theory.detector[0].distance=1e+32 
     967        theory.detector.append(detector)          
    970968        theory.source= Source() 
    971         theory.source.wavelength=2*math.pi/1e+32 
    972        
    973         ## Create detector for Model 2D 
    974         xmax=2*theory.detector[0].distance*math.atan(\ 
    975                             qmax/(4*math.pi/theory.source.wavelength)) 
    976          
    977         theory.detector[0].pixel_size.x= xmax/(qstep/2-0.5) 
    978         theory.detector[0].pixel_size.y= xmax/(qstep/2-0.5) 
     969         
     970        ## Default values     
     971        theory.detector[0].distance= 8000   # mm         
     972        theory.source.wavelength= 6         # A       
     973        theory.detector[0].pixel_size.x= 5  # mm 
     974        theory.detector[0].pixel_size.y= 5  # mm 
     975         
    979976        theory.detector[0].beam_center.x= qmax 
    980977        theory.detector[0].beam_center.y= qmax 
     978         
     979         
    981980        ## create x_bins and y_bins of the model 2D 
    982         distance   = theory.detector[0].distance 
    983         pixel      = qstep/2-1 
    984         theta      = pixel / distance / qstep#100.0 
    985         wavelength = theory.source.wavelength 
    986981        pixel_width_x = theory.detector[0].pixel_size.x 
    987982        pixel_width_y = theory.detector[0].pixel_size.y 
    988983        center_x      = theory.detector[0].beam_center.x/pixel_width_x 
    989984        center_y      = theory.detector[0].beam_center.y/pixel_width_y 
    990          
    991          
    992         size_x, size_y= numpy.shape(theory.data) 
    993         for i_x in range(size_x): 
    994             theta = (i_x-center_x)*pixel_width_x / distance  
    995             qx = 4.0*math.pi/wavelength * math.tan(theta/2.0) 
    996             theory.x_bins.append(qx)     
    997         for i_y in range(size_y): 
    998             theta = (i_y-center_y)*pixel_width_y / distance  
    999             qy =4.0*math.pi/wavelength * math.tan(theta/2.0) 
    1000             theory.y_bins.append(qy) 
    1001             
     985 
     986        # theory default: assume the beam center is located at the center of sqr detector 
     987        xmax = qmax 
     988        xmin = -qmax 
     989        ymax = qmax 
     990        ymin = -qmax 
     991         
     992        x=  numpy.linspace(start= -1*qmax, 
     993                               stop= qmax, 
     994                               num= qstep, 
     995                               endpoint=True )   
     996        y = numpy.linspace(start= -1*qmax, 
     997                               stop= qmax, 
     998                               num= qstep, 
     999                               endpoint=True ) 
     1000          
     1001        ## use data info instead 
     1002        new_x = numpy.tile(x, (len(y),1)) 
     1003        new_y = numpy.tile(y, (len(x),1)) 
     1004        new_y = new_y.swapaxes(0,1) 
     1005         
     1006        # all data reuire now in 1d array 
     1007        qx_data = new_x.flatten() 
     1008        qy_data = new_y.flatten() 
     1009         
     1010        q_data = numpy.sqrt(qx_data*qx_data+qy_data*qy_data) 
     1011        # set all True (standing for unmasked) as default 
     1012        mask    = numpy.ones(len(qx_data), dtype = bool) 
     1013         
     1014        # calculate the range of qx and qy: this way, it is a little more independent 
     1015        x_size = xmax- xmin 
     1016        y_size = ymax -ymin 
     1017         
     1018        # store x and y bin centers in q space 
     1019        x_bins  = x 
     1020        y_bins  = y  
     1021        # bin size: x- & y-directions 
     1022        xstep = x_size/len(x_bins-1) 
     1023        ystep = y_size/len(y_bins-1) 
     1024         
     1025        #theory.data = numpy.zeros(len(mask)) 
     1026        theory.err_data = numpy.zeros(len(mask)) 
     1027        theory.qx_data = qx_data  
     1028        theory.qy_data = qy_data   
     1029        theory.q_data = q_data  
     1030        theory.mask = mask             
     1031        theory.x_bins = x_bins   
     1032        theory.y_bins = y_bins    
     1033         
     1034        # max and min taking account of the bin sizes 
     1035        theory.xmin= xmin - xstep/2 
     1036        theory.xmax= xmax + xstep/2 
     1037        theory.ymin= ymin - ystep/2 
     1038        theory.ymax= ymax + ystep/2 
    10021039        theory.group_id ="Model" 
    10031040        theory.id ="Model" 
    1004         ## determine plot boundaries 
    1005         theory.xmin= -qmax 
    1006         theory.xmax= qmax 
    1007         theory.ymin= -qmax 
    1008         theory.ymax= qmax 
    10091041         
    10101042         
     
    11031135            theory.source= data.source 
    11041136            theory.is_data =False  
     1137            theory.qx_data = data.qx_data 
     1138            theory.qy_data = data.qy_data 
     1139            theory.q_data = data.q_data 
     1140            theory.err_data = data.err_data 
     1141            theory.mask = data.mask 
    11051142            ## plot boundaries 
    11061143            theory.ymin= data.ymin 
     
    11511188                x= data.x_bins 
    11521189                y= data.y_bins 
    1153              
     1190                 
    11541191        if not enable2D: 
    11551192            return 
  • sansview/perspectives/fitting/model_thread.py

    re627f19 re575db9  
    2525        self.qmax= qmax 
    2626        self.qstep= qstep 
    27         # Reshape dimensions of x and y to call evalDistribution 
    28         #self.x_array = numpy.reshape(x,[len(x),1]) 
    29         #self.y_array = numpy.reshape(y,[1,len(y)]) 
    30         self.x_array = numpy.reshape(x,[1,len(x)]) 
    31         self.y_array = numpy.reshape(y,[len(y),1]) 
    32         # Numpy array of dimensions 1 used for model.run method 
    33         self.x= numpy.array(x) 
    34         self.y= numpy.array(y) 
     27 
     28        self.x = x 
     29        self.y = y 
    3530        self.data= data 
    3631        # the model on to calculate 
     
    5146                newy= math.pow(max(math.fabs(self.data.ymax),math.fabs(self.data.ymin)),2) 
    5247                self.qmax=math.sqrt( newx + newy ) 
    53         # Define matrix where data will be plotted         
    54         radius= numpy.sqrt( self.x_array**2 + self.y_array**2 ) 
    55         index_data= (self.qmin<= radius) 
    56         index_model = (self.qmin <= radius)&(radius<= self.qmax) 
    57         
    58         output = numpy.zeros((len(self.x),len(self.y))) 
    59       
    60         ## receive only list of 2 numpy array  
    61         ## One must reshape to vertical and the other to horizontal 
    62         value = self.model.evalDistribution([self.x_array,self.y_array] ) 
    63         ## for data ignore the qmax  
    64         if self.data == None: 
     48         
     49        if self.data != None: 
     50            self.qx_data = self.data.qx_data 
     51            self.qy_data = self.data.qy_data 
     52            self.mask    = self.data.mask 
     53        else:           
     54            xbin =  numpy.linspace(start= -1*self.qmax, 
     55                                   stop= self.qmax, 
     56                                   num= self.qstep, 
     57                                   endpoint=True )   
     58            ybin = numpy.linspace(start= -1*self.qmax, 
     59                                   stop= self.qmax, 
     60                                   num= self.qstep, 
     61                                   endpoint=True )             
     62             
     63            new_xbin = numpy.tile(xbin, (len(ybin),1)) 
     64            new_ybin = numpy.tile(ybin, (len(xbin),1)) 
     65            new_ybin = new_ybin.swapaxes(0,1) 
     66            new_xbin = new_xbin.flatten() 
     67            new_ybin = new_ybin.flatten() 
     68            self.qy_data = new_ybin 
     69            self.qx_data = new_xbin 
     70            
     71            self.mask = numpy.ones(len(self.qx_data),dtype=bool) 
     72             
     73        # Define matrix where data will be plotted     
     74        radius= numpy.sqrt( self.qx_data*self.qx_data + self.qy_data*self.qy_data ) 
     75        index_data= (self.qmin<= radius)&(self.mask) 
     76         
     77        # For theory, qmax is based on 1d qmax  
     78        # so that must be mulitified by sqrt(2) to get actual max for 2d 
     79        index_model = ((self.qmin <= radius)&(radius<= self.qmax)) 
     80        self.mask = (index_model)&(self.mask) 
     81         
     82        if self.data ==None: 
    6583            # Only qmin value will be consider for the detector 
    66             output = value *index_data   
    67         else: 
    68             # The user can define qmin and qmax for the detector 
    69             output = index_model*value 
    70        
     84            self.mask = index_data   
     85              
     86        value = self.model.evalDistribution([self.qx_data[self.mask],self.qy_data[self.mask]] ) 
     87 
     88        output = numpy.zeros(len(self.mask)) 
     89        output[self.mask] = value  
     90 
    7191        elapsed = time.time()-self.starttime 
    7292        self.complete( image = output, 
     
    7595                       elapsed = elapsed, 
    7696                       qmin = self.qmin, 
    77                        qmax =self.qmax, 
     97                       qmax = self.qmax, 
    7898                       qstep = self.qstep ) 
    7999         
Note: See TracChangeset for help on using the changeset viewer.