LIGO 用 Python 分析引力波数据
美国科学家11日宣布,他们去年9月首次探测到引力波。这一发现印证了物理学大师爱因斯坦100年前的预言。宣布这一发现的,是激光干涉引力波天文台(LIGO)的负责人。
这个机构诞生于上世纪90年代,进行引力波观测已经有近30年。那么观测到的引力波数据的量应该很大,科学家如何对这些数据进行分析?有没有用到Python编程语言?
答案是肯定的。笔者在Github上发现了一个专门用于分析引力波数据的Python包:GWPY。据维护者介绍,GWPY的代码来自LIGO和另一个名叫Virgo的机构,维护者将这两个机构科学家的Python代码整理,最终的产品就是GWPY这个用户友好的Python包。
在具体介绍GWPY之前,先给和笔者一样的小白简单科普一下引力波和LIGO的相关知识。
什么是引力波?上图是两个黑洞所产生的引力波的3-D模拟图(NASA)。
首先,什么是引力波?在物理学上,引力波是爱因斯坦广义相对论所预言的一种以光速传播的时空波动,如同石头丢进水里产生的波纹一样,引力波被视为宇宙中的“时空涟漪”。通常引力波的产生非常困难,地球围绕太阳以每秒30千米的速度前进,发出的引力波功率仅为200瓦,还不如家用电饭煲功率大。宇宙中大质量天体的加速、碰撞和合并等事件才可以形成强大的引力波,但能产生这种较强引力波的波源距离地球都十分遥远,传播到地球时变得非常微弱。
下面分享两个优秀的视频,很好地解释了引力波及背后的原理。第一个来自LIGO,第二个则是比较通俗的漫画式讲解。
LIGO科学家的解释: 漫画式通俗解释: LIGO是什么?激光干涉引力波观测站Laser Interferometer Gravitational-Wave ObservatoryLIGO是加州理工学院(Caltech)和麻省理工学院(MIT)的合作实验室,现在也有其他的大学参与。实验资金来源于美国国家科学基金会。LIGO是用来寻找宇宙中的引力波,从而可以验证黑洞的存在和检验广义相对论。
LIGO主要有两个观测点,位于路易斯安那Livingston Parish的LIGO Livingston观测点,和华盛顿 Hanford的LIGO Hanford观测点。除此之外,在加州Passadena 的Caltech校园中还有LIGO 40m Prototype 。
LIGO是如何探测引力波的? GWPY:LIGO用它分析引力波数据?接下来是本文的重头戏。我们一起来学习如何GWPY分析引力波数据。下面的介绍及示例均来自GWPY的官方文档。
很简单,pip install gwpy就可以完成安装。
不过安装的过程可能会比较长,因为gwpy使用的依赖包比较多,包括numpy、 scipy、 cycler、matplotlib、astropy等。
面向对象编程GWPY是一个面向对象编程的Python包,也就是说,数据对象是这个包的核心关注点。每一个数据对象都体现为一个类实例,包含了其属性和包含的数据。
如果想创建一个新的类实例,建议使用标准的构建器constructor。举个例子,我们可以使用一个数据数组,生成一个TimeSeries对象:
from gwpy.timeseries import TimeSeries mydata = TimeSeries([1,2,3,4,5,6,7,8,9,10], sample_rate=1, epoch=0)
或者从在线数据服务器上下载:
from gwpy.timeseries import TimeSeries mydata = TimeSeries.fetch(H1:LDAS-STRAIN, 964656015, 964656615) 核心数据对象
据介绍,GWPY提供了4种核心数据对象,分别代表引力波探测器所产生的四种标准数据:
TimeSeries(时间序列数据) Spectrum(光谱数据) Spectrogram(光谱图) DataQualityFlag 引力波数据可视化我们知道,将引力波探测器收集的数据可视化,对于理解引力波的特性、研究引力波信号来说非常有帮助。gwpy.plotter模块中提供了一些plot类,可以直观地展示相应的数据类型。
GWPY的核心数据对象里,大部分都内置有一个plot()方法,可以让研究人员快速对某个数据集进行可视化展示。举个例子:
from gwpy.timeseries import TimeSeries data = TimeSeries.fetch(H1:LDAS-STRAIN, 968654552, 968654562) plot = data.plot() plot.show() GWPY:利用公开的LIGO数据进行绘图
我们接下来利用LIGO公开的一些引力波时间序列数据进行绘图。我们可以直接在线加载这些数据。首先导入我们需要的模块:
from urllib2 import urlopen from numpy import asarray from gwpy.timeseries import TimeSeries
然后,下载数据,保存为文本字符串:
data = urlopen(http://www.ligo.org/science/GW100916/L-strain_hp30-968654552-10.txt).read()
现在,我们可以对文本进行解析,补充必要的元数据之后,就可以生成一个TimeSeries:
ts = TimeSeries(asarray(data.splitlines(), dtype=float), epoch=968654552, sample_rate=16384, unit=strain)
最后,我们就可以绘图了:
plot = ts.plot() plot.set_title(LIGO Livingston Observatory data for GW100916) plot.set_ylabel(Gravitational-wave strain amplitude) plot.show()
本文来自云栖社区合作伙伴“Linux中国”
原文发布时间为:2013-04-02.
Python多线程爬虫编程中queue.Queue和queue.SimpleQueue的区别和应用 在Python中,queue模块提供了多种队列类,用于在多线程编程中安全地交换信息。其中,queue.Queue 和queue.SimpleQueue 是两个常用的先进先出(FIFO)的队列类,它们有以下区别和优缺点: queue.Queue 是一个更复杂的队列类实现涉及到多个锁和条件变量,因此可能会影响性能和内存效率。 SimpleQueue 是一个更简单的队列类它只提供了put()和get()两个方法,并且不支持maxsize参数
Python编程:SQLAlchemy查询数据没有变化 遇到一个问题,使用一条相同的sql,多次查询数据库,每次数据都一样,而且数据库更新了,也没有查到新数据 经过Google,发现是SQLAlchemy的缓存机制导致的 设置隔离级别参数isolation_level 就可以解决
相关文章
- Python 卸载python
- Python 函数调用父类详解
- 《 营销数据科学: 用R和Python进行预测分析的建模技术》——第1章 了 解 市 场
- 《 营销数据科学: 用R和Python进行预测分析的建模技术》——第3章 锁定目标客户
- gyp ERR! stack Error: Can‘t find Python executable “python“, you can set the PYTHON env variable.
- python ftp 上传下载,创建不存在的目录
- python 读取串口数据常用函数及实例分析
- vim调用python格式化json数据
- 《用Python写网络爬虫》——第2章 数据抓取 2.1 分析网页
- 《像计算机科学家一样思考Python(第2版)》——1.6 形式语言和自然语言
- 《Python机器学习——预测分析核心算法》——第2章 通过理解数据来了解问题
- 《Python机器学习——预测分析核心算法》——2.3 对“岩石vs.水雷”数据集属性的可视化展示
- 基于Python 实现企业搜索系统(信息检索)【100010418】
- Python 数据文件操作——写出数据
- python Python程序的架构
- Python数据可视化 Pyecharts 制作 Scatter3D 3D散点图
- Python数据可视化 Pyecharts 系列配置
- python如何将实例用作属性
- Python 实现被动收入教程之我如何使用 python 制作我的第一个高级telegram机器人
- (数据科学学习手札98)纯Python绘制满满艺术感的山脊地图
- Python(一)——抓取网页数据(A股股票名称)并存入本地文件
- 【毕业设计_课程设计】基于Python的南京二手房数据采集及可视化分析
- 《Python数据可视化之matplotlib实践》 源码 第三篇 演练 第八章
- A Complete Tutorial to Learn Data Science with Python from Scratch
- Python中的tuple
- python第十六课——外部函数and内部函数
- 【python 学习】——pycharm终端解释器和Python解释器配置
- 【文件处理】——Python pandas 写入数据到excel中