init

optifik/analysis.py

@@ -0,0 +1,133 @@
+
+import pandas as pd
+
+from scipy.signal import savgol_filter
+from scipy.signal import find_peaks
+
+import matplotlib.pyplot as plt
+plt.rc('text', usetex=True)
+plt.rcParams.update({
+    'axes.labelsize': 26,
+    'xtick.labelsize': 32,
+    'ytick.labelsize': 32,
+    'legend.fontsize': 23,
+})
+
+from .io import load_spectrum
+from .fft import *
+from .scheludko import *
+from .minmax import *
+
+
+
+
+
+
+def plot_xy(file_path, plot=True):
+    try:
+        # Lecture du fichier .xy en utilisant pandas
+        data = pd.read_csv(file_path, delimiter=',', header=None, names=["x", "y"])
+
+        # Extraction des colonnes
+        x = data["x"]
+        y = data["y"]
+
+        # Tracer la deuxième colonne en fonction de la première
+        plt.figure(figsize=(10, 6),dpi = 600)
+        plt.plot(x, y, 'o-', markersize=2, label="Raw data")
+
+        # Ajout des labels et du titre
+        plt.xlabel(r'$\lambda$ (nm)')
+        plt.ylabel(r'$I^*$')
+        plt.legend()
+
+    except FileNotFoundError:
+        print(f"Erreur : le fichier '{file_path}' est introuvable.")
+    except Exception as e:
+        print(f"Une erreur est survenue : {e}")
+
+
+
+
+
+
+
+
+
+
+def finds_peak(filename, min_peak_prominence, min_peak_distance=10, plot=None):
+    """
+    Charge un fichier .xy et affiche les données avec les extrema détectés (minima et maxima).
+
+    Parameters
+    ----------
+    filename : str
+        Chemin vers le fichier .xy (2 colonnes : lambda et intensité).
+    min_peak_prominence : float
+        Importance minimale des pics.
+    min_peak_distance : float
+        Distance minimale entre les pics.
+    """
+    # Charger et lisser les données
+    lambdas, intensities = load_spectrum(filename, lambda_min=450)
+    WIN_SIZE = 11
+    smoothed_intensities = savgol_filter(intensities, WIN_SIZE, 3)
+    # Trouver les maxima et minima sur le signal lissé
+    peaks_max, _ = find_peaks(smoothed_intensities, prominence=min_peak_prominence, distance=min_peak_distance)
+    peaks_min, _ = find_peaks(-smoothed_intensities, prominence=min_peak_prominence, distance=min_peak_distance)
+    
+    if plot:
+        plt.figure(figsize=(10, 6),dpi =600)
+        plt.plot(lambdas, smoothed_intensities, 'o-', markersize=2, label="Smoothed data")
+        plt.plot(lambdas[peaks_max], smoothed_intensities[peaks_max], 'ro')
+        plt.plot(lambdas[peaks_min], smoothed_intensities[peaks_min], 'ro')
+        plt.xlabel(r'$\lambda$ (nm)')
+        plt.ylabel(r'$I^*$')
+        plt.legend()
+        plt.tight_layout()
+        plt.show()
+
+    # Nombre total d’extremums
+    total_extrema = len(peaks_max) + len(peaks_min)
+    if total_extrema >=15:
+        print('Number of extrema', total_extrema,'.')
+        print('FFT method')
+
+    if total_extrema <=15 and total_extrema >4:
+        print('Number of extrema', total_extrema,'.')
+        print('OOSpectro method')
+
+    if total_extrema <=4:
+        print('Number of extrema', total_extrema,'.')
+        print('Scheludko method')
+
+    return total_extrema, smoothed_intensities, intensities, lambdas, peaks_min, peaks_max
+
+
+
+
+
+def Data_Smoothed(filename):
+    """
+    Charge un fichier .xy et affiche les données avec les extrema détectés (minima et maxima).
+
+    Parameters
+    ----------
+    filename : str
+        Chemin vers le fichier .xy (2 colonnes : lambda et intensité).
+    min_peak_prominence : float
+        Importance minimale des pics.
+    min_peak_distance : float
+        Distance minimale entre les pics.
+    """
+    # Charger et lisser les données
+    lambdas, intensities = load_spectrum(filename, lambda_min=450)
+    WIN_SIZE = 11
+    smoothed_intensities = savgol_filter(intensities, WIN_SIZE, 3)
+
+    return smoothed_intensities, intensities, lambdas
+
+
+
+    
+