pyspectra 0.0.1.2

紫外光谱

欢迎来到pyspectra。
该软件包旨在将多个光谱仪器的光谱数据分析和转换功能组合在一起。

当前支持的输入文件包括：

• .spc公司
• .dx文件

PySpectra旨在通过与pandas dataframe对象的友好集成，方便使用python中的光谱文件。
。 pyspectra还提供了一组例程来执行光谱预处理，例如：

• 理学硕士
• SNV公司
• 德特伦德
• 萨维茨基-戈莱
• 衍生工具
• 。。在

数据光谱可用于传统的化学计量学分析，也可用于一般的高级分析建模，以便通过提供光谱信息向制造模型提供附加信息。在

#Import basic librariesimportspcimportmatplotlib.pyplotaspltimportnumpyasnpimportpandasaspdfromsklearn.decompositionimportPCA

读取.spc文件

读取单个文件

gx-y(1)
908.100000    0.123968
914.294355    0.118613
920.488710    0.113342
926.683065    0.108641
932.877419    0.098678
dtype: float64

从目录中读取多个.spc文件

frompyspectra.readers.read_spcimportread_spc_dirdf_spc,dict_spc=read_spc_dir('pyspectra/sample_spectra/VIAVI')display(df_spc.transpose())f,ax=plt.subplots(1,figsize=(18,8))ax.plot(df_spc.transpose())plt.xlabel("nm")plt.ylabel("Abs")ax.legend(labels=list(df_spc.transpose().columns))plt.show()

gx-y(1)
gx-y(1)
gx-y(1)
gx-y(1)
gx-y(1)
gx-y(1)
gx-y(1)
gx-y(1)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

读取.dx光谱文件

Pyspectra还使用一组regex构建，允许从不同供应商读取最常见的.dx文件格式，例如：

• 自由／开源软件
• 软件系统
• 光谱引擎
• 德州仪器
• 维亚维

读取单个.dx文件

.dx阅读器可以读取：

• 包含单个光谱的单个文件：已读
• 包含多个光谱的单个文件：已读
• 目录中的多个文件：从\u dir读取

单一文件，单一光谱

# Single file with single spectrafrompyspectra.readers.read_dximportread_dx#Instantiate an objectFoss_single=read_dx()# Run  read methoddf=Foss_single.read(file='pyspectra/sample_spectra/DX multiple files/Example1.dx')df.transpose().plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1f44faa7940>

单个文件，多个光谱：

.dx reader将所有信息作为对象的属性存储在示例中。每个键代表一个样本。在

Foss_single=read_dx()# Run  read methoddf=Foss_single.read(file='pyspectra/sample_spectra/FOSS/FOSS.dx')df.transpose().plot(legend=False)

<matplotlib.axes._subplots.AxesSubplot at 0x1f44f7f2e50>

forcinFoss_single.Samples['29179'].keys():print(c)

y
Conc
TITLE
JCAMP_DX
DATA TYPE
CLASS
DATE
DATA PROCESSING
XUNITS
YUNITS
XFACTOR
YFACTOR
FIRSTX
LASTX
MINY
MAXY
NPOINTS
FIRSTY
CONCENTRATIONS
XYDATA
X
Y

光谱预处理

Pyspectra有一组内置类来执行光谱预处理，例如：

• 乘性散射校正
• 标准正态变量
• 德特伦德
• n阶导数
• 萨维茨基·戈雷·斯莫辛

frompyspectra.transformers.spectral_correctionimportmsc,detrend,sav_gol,snv

MSC=msc()MSC.fit(df)df_msc=MSC.transform(df)f,ax=plt.subplots(2,1,figsize=(14,8))ax[0].plot(df.transpose())ax[0].set_title("Raw spectra")ax[1].plot(df_msc.transpose())ax[1].set_title("MSC spectra")plt.show()

SNV=snv()df_snv=SNV.fit_transform(df)Detr=detrend()df_detrend=Detr.fit_transform(spc=df_snv,wave=np.array(df_snv.columns))f,ax=plt.subplots(3,1,figsize=(18,8))ax[0].plot(df.transpose())ax[0].set_title("Raw spectra")ax[1].plot(df_snv.transpose())ax[1].set_title("SNV spectra")ax[2].plot(df_detrend.transpose())ax[2].set_title("SNV+ Detrend spectra")plt.tight_layout()plt.show()

光谱模型

使用PCA分解

pca=PCA()pca.fit(df_msc)plt.figure(figsize=(18,8))plt.plot(range(1,len(pca.explained_variance_)+1),100*pca.explained_variance_.cumsum()/pca.explained_variance_.sum())plt.grid(True)plt.xlabel("Number of components")plt.ylabel(" cumulative % of explained variance")

df_pca=pd.DataFrame(pca.transform(df_msc))plt.figure(figsize=(18,8))plt.plot(df_pca.loc[:,0:25].transpose())plt.title("Transformed spectra PCA")plt.ylabel("Response feature")plt.xlabel("Principal component")plt.grid(True)plt.show()

使用automl库部署更快的模型

importtpotfromtpotimportTPOTRegressorfromsklearn.model_selectionimportRepeatedKFoldcv=RepeatedKFold(n_splits=10,n_repeats=3,random_state=1)model=TPOTRegressor(generations=10,population_size=50,scoring='neg_mean_absolute_error',cv=cv,verbosity=2,random_state=1,n_jobs=-1)

y=Foss_single.Conc[:,0]x=df_pca.loc[:,0:25]model.fit(x,y)

HBox(children=(FloatProgress(value=0.0, description='Optimization Progress', max=550.0, style=ProgressStyle(de…



Generation 1 - Current best internal CV score: -0.30965836730187607

Generation 2 - Current best internal CV score: -0.30965836730187607

Generation 3 - Current best internal CV score: -0.30965836730187607

Generation 4 - Current best internal CV score: -0.308295313408046

Generation 5 - Current best internal CV score: -0.308295313408046

Generation 6 - Current best internal CV score: -0.308295313408046

Generation 7 - Current best internal CV score: -0.308295313408046

Generation 8 - Current best internal CV score: -0.3082953134080456

Generation 9 - Current best internal CV score: -0.3082953134080456

Generation 10 - Current best internal CV score: -0.3078569602146527

Best pipeline: LassoLarsCV(PCA(LinearSVR(input_matrix, C=0.1, dual=True, epsilon=0.1, loss=epsilon_insensitive, tol=0.01), iterated_power=3, svd_solver=randomized), normalize=False)





TPOTRegressor(cv=RepeatedKFold(n_repeats=3, n_splits=10, random_state=1),
              generations=10, n_jobs=-1, population_size=50, random_state=1,
              scoring='neg_mean_absolute_error', verbosity=2)

标签：

• 项目

欢迎加入QQ群-->： 979659372

推荐PyPI第三方库

• trestl

  没有项目描述

• bavaria

  慕尼黑非官方S-Bahn WebSocket API的API包装。

• dedupe-variable-address

  重复数据消除的地址变量类型

• wecs

  实体组件系统

• MDsrv

  分子动力学模拟的坐标轨迹服务器。

• cleese-mpd

  基于ampdup的mpd客户端。

• numipulator

  基于numpy的图像处理库。

• setuptools-test

  用python 3测试打包

• lando

  基于云的生物信息学工作流管理器

• nuaal

  网络统一抽象api库

• pytrix

  允许对矩阵、向量和点对象执行操作的类。

• mpfshell

  一个简单的基于shell的文件浏览器，用于esp8266和wipy micropython设备。

• pyxl3

  这是原始pyxl包的python 3端口。它用于支持mypy（即python 3）中的原始pyxl版本（仍在dropbox中使用）。

• mosaicode-lib-c-opencv

  计算机音乐编程工具

• avwx

  获取航空相关天气的工具