Changeset fd1aec6f in sasview for sansmodels/src/sans/models


Ignore:
Timestamp:
Jul 27, 2012 11:18:40 AM (12 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:
69ebe91
Parents:
082c565
Message:

pylint cleanup:smear2d

File:
1 edited

Legend:

Unmodified
Added
Removed

  • sansmodels/src/sans/models/smearing_2d.py

    r1aa8084 rfd1aec6f  
    1 ##################################################################### 
     1""" 
    22#This software was developed by the University of Tennessee as part of the 
    33#Distributed Data Analysis of Neutron Scattering Experiments (DANSE) 
    44#project funded by the US National Science Foundation.  
    55#See the license text in license.txt 
    6 #copyright 2008, University of Tennessee 
    7 ###################################################################### 
    8  
    9 ## TODO: Need test,and check Gaussian averaging 
     6""" 
    107import numpy 
    118import math 
    … …  
    1714LIMIT = 3.0 
    1815## Defaults 
    19 R_BIN = {'Xhigh':10, 'High':5,'Med':5,'Low':3} 
    20 PHI_BIN ={'Xhigh':20,'High':12,'Med':6,'Low':4}    
     16R_BIN = {'Xhigh':10, 'High':5, 'Med':5, 'Low':3} 
     17PHI_BIN ={'Xhigh':20, 'High':12, 'Med':6, 'Low':4}    
    2118 
    2219class Smearer2D: 
    … …  
    3229        :param data: 2d data used to set the smearing parameters 
    3330        :param model: model function 
    34         :param index: 1d array with len(data) to define the range of the calculation: elements are given as True or False 
     31        :param index: 1d array with len(data) to define the range  
     32         of the calculation: elements are given as True or False 
    3533        :param nr: number of bins in dq_r-axis 
    3634        :param nphi: number of bins in dq_phi-axis 
    … …  
    4240        ## model 
    4341        self.model = model 
    44         ## Accuracy: Higher stands for more sampling points in both directions of r and phi. 
     42        ## Accuracy: Higher stands for more sampling points in both directions  
     43        ## of r and phi. 
    4544        self.accuracy = accuracy 
    4645        ## number of bins in r axis for over-sampling  
    … …  
    5453        self.smearer = True 
    5554        self._engine = engine 
    56          
     55        self.qx_data = None 
     56        self.qy_data = None 
     57        self.q_data = None 
     58        # dqx and dqy mean dq_parr and dq_perp 
     59        self.dqx_data = None 
     60        self.dqy_data = None 
     61        self.phi_data = None 
    5762         
    5863    def get_data(self):    
    5964        """ 
    60         get qx_data, qy_data, dqx_data,dqy_data,and calculate phi_data=arctan(qx_data/qy_data) 
     65        Get qx_data, qy_data, dqx_data,dqy_data, 
     66        and calculate phi_data=arctan(qx_data/qy_data) 
    6167        """ 
    6268        if self.data == None or self.data.__class__.__name__ == 'Data1D': 
    … …  
    7076        self.dqx_data = self.data.dqx_data[self.index] 
    7177        self.dqy_data = self.data.dqy_data[self.index] 
    72         self.phi_data = numpy.arctan(self.qx_data/self.qy_data) 
     78        self.phi_data = numpy.arctan(self.qx_data / self.qy_data) 
    7379        ## Remove singular points if exists 
    74         self.dqx_data[self.dqx_data<SIGMA_ZERO]=SIGMA_ZERO 
    75         self.dqy_data[self.dqy_data<SIGMA_ZERO]=SIGMA_ZERO 
     80        self.dqx_data[self.dqx_data < SIGMA_ZERO] = SIGMA_ZERO 
     81        self.dqy_data[self.dqy_data < SIGMA_ZERO] = SIGMA_ZERO 
    7682        return True 
    7783     
    … …  
    143149        # data length in the range of self.index 
    144150        len_data = len(self.qx_data) 
    145         len_datay = len(self.qy_data) 
    146  
     151        #len_datay = len(self.qy_data) 
    147152        if self._engine == 'c' and self.coords == 'polar': 
    148153            try: 
    149154                import sans.models.sans_extension.smearer2d_helper as smearer2dc 
    150                 smearc = smearer2dc.new_Smearer_helper(self.qx_data, self.qy_data, 
     155                smearc = smearer2dc.new_Smearer_helper(self.qx_data,  
     156                                              self.qy_data, 
    151157                                              self.dqx_data, self.dqy_data, 
    152                                               self.limit, nr, nphi, int(len_data)) 
     158                                              self.limit, nr, nphi,  
     159                                              int(len_data)) 
    153160                weight_res = numpy.zeros(nr * nphi ) 
    154161                qx_res = numpy.zeros(nr * nphi * int(len_data)) 
    … …  
    158165                raise  
    159166        else: 
    160             # Mean values of dqr at each bins ,starting from the half of bin size 
     167            # Mean values of dqr at each bins  
     168            # starting from the half of bin size 
    161169            r = bin_size / 2.0 + numpy.arange(nr) * bin_size 
    162170            # mean values of qphi at each bines 
    … …  
    170178            q_phi = self.qy_data / self.qx_data 
    171179             
    172             # Starting angle is different between polar and cartesian coordinates. 
     180            # Starting angle is different between polar  
     181            #  and cartesian coordinates. 
    173182            #if self.coords != 'polar': 
    174183            #    dphi += numpy.arctan( q_phi * self.dqx_data/ \ 
    175             #                     self.dqy_data).repeat(n_bins).reshape(len_data,\ 
    176             #                                        n_bins).transpose().flatten() 
     184            #                  self.dqy_data).repeat(n_bins).reshape(len_data,\ 
     185            #                                n_bins).transpose().flatten() 
    177186     
    178187            # The angle (phi) of the original q point 
    179188            q_phi = numpy.arctan(q_phi).repeat(n_bins).reshape(len_data,\ 
    180                                                     n_bins).transpose().flatten() 
     189                                                n_bins).transpose().flatten() 
    181190            ## Find Gaussian weight for each dq bins: The weight depends only  
    182191            #  on r-direction (The integration may not need) 
    183192            weight_res = numpy.exp(-0.5 * ((r - bin_size / 2.0) * \ 
    184                                         (r - bin_size / 2.0)))- \ 
    185                                         numpy.exp(-0.5 * ((r + bin_size / 2.0 ) *\ 
    186                                         (r + bin_size / 2.0))) 
     193                                    (r - bin_size / 2.0)))- \ 
     194                                    numpy.exp(-0.5 * ((r + bin_size / 2.0 ) *\ 
     195                                    (r + bin_size / 2.0))) 
    187196            # No needs of normalization here. 
    188197            #weight_res /= numpy.sum(weight_res) 
    … …  
    192201             
    193202            ## Set dr for all dq bins for averaging 
    194             dr = r.repeat(nphi).reshape(nr,nphi).transpose().flatten() 
     203            dr = r.repeat(nphi).reshape(nr, nphi).transpose().flatten() 
    195204            ## Set dqr for all data points 
    196             dqx = numpy.outer(dr,self.dqx_data).flatten() 
    197             dqy = numpy.outer(dr,self.dqy_data).flatten() 
    198      
    199             qx = self.qx_data.repeat(n_bins).reshape(len_data,\ 
     205            dqx = numpy.outer(dr, self.dqx_data).flatten() 
     206            dqy = numpy.outer(dr, self.dqy_data).flatten() 
     207     
     208            qx = self.qx_data.repeat(n_bins).reshape(len_data, \ 
    200209                                                 n_bins).transpose().flatten() 
    201             qy = self.qy_data.repeat(n_bins).reshape(len_data,\ 
     210            qy = self.qy_data.repeat(n_bins).reshape(len_data, \ 
    202211                                                 n_bins).transpose().flatten() 
    203212     
    … …  
    216225        val = self.model.evalDistribution([qx_res, qy_res])  
    217226        ## Reshape into 2d array to use numpy weighted averaging 
    218         value_res= val.reshape(n_bins,len(self.qx_data)) 
     227        value_res= val.reshape(n_bins, len(self.qx_data)) 
    219228        ## Averaging with Gaussian weighting: normalization included. 
    220229        value =numpy.average(value_res,axis=0, weights=weight_res) 
    221230        ## Return the smeared values in the range of self.index 
    222231        return value 
    223      
     232"""     
    224233if __name__ == '__main__': 
    225234    ## Test w/ 2D linear function 
    226     x = 0.001*numpy.arange(1,11) 
     235    x = 0.001*numpy.arange(1, 11) 
    227236    dx = numpy.ones(len(x))*0.0003 
    228     y = 0.001*numpy.arange(1,11) 
     237    y = 0.001*numpy.arange(1, 11) 
    229238    dy = numpy.ones(len(x))*0.001 
    230239    z = numpy.ones(10) 
    … …  
    247256    model.setParam("A", 0) 
    248257 
    249     smear = Smearer2D(out,model,index) 
     258    smear = Smearer2D(out, model, index) 
    250259    #smear.set_accuracy('Xhigh') 
    251260    value = smear.get_value() 
    252261    ## All data are ones, so the smeared should also be ones. 
    253     print "Data length =",len(value) 
     262    print "Data length =", len(value) 
    254263    print " 2D linear function, I = 0 + 1*qy" 
    255264    text = " Gaussian weighted averaging on a 2D linear function will " 
    … …  
    258267    print "qx_data", "qy_data", "I_nonsmear", "I_smeared" 
    259268    for ind in range(len(value)): 
    260         print x[ind],y[ind],model.evalDistribution([x,y])[ind], value[ind] 
    261          
    262 """ 
    263 for i in range(len(qx_res)/(128*128)): 
    264     k = i * 128*128 +64 
    265  
    266     print qx_res[k]-qqx[k], qy_res[k]-qqy[k] 
    267 print qqx[64],qqy[64] 
    268 """  
    269 """     
     269        print x[ind], y[ind], model.evalDistribution([x, y])[ind], value[ind] 
     270         
     271   
    270272if __name__ == '__main__': 
    271273    ## Another Test w/ constant function 
Note: See TracChangeset for help on using the changeset viewer.