Zeichnen von Daten einer Galaxie mit sichtbarem Licht mithilfe der OpenNGC-Datenbank in Python

Was ist der Open NGC-Katalog?

(OpenNGC) [https://github.com/mattiaverga/OpenNGC] ist eine Datenbank, die NGC (New General Catalog) und IC (Index Catalog) organisiert.

PyOngc in der Python-Oberfläche

Sie können die Daten einfach über https://github.com/mattiaverga/PyOngc abrufen. Es kann mit pip install pyongc auf der Python3-Serie installiert werden.

python

import pyongc
name="NGC4051"                                                                                         
DSOobject = pyongc.Dso(name) 
gtype = DSOobject.getType() 
mag = DSOobject.getMagnitudes() 
surf = DSOobject.getSurfaceBrightness() 
hubble = DSOobject.getHubble()                                                                 
# print(gtype,mag,surf,hubble)
# ('Galaxy', (11.08, 12.92, 8.58, 8.06, 7.67), 22.87, 'SABb')

Wenn Sie pyongc installieren, werden auch Befehlszeilentools installiert, und Sie können sehen, wie viele Sterne und Galaxien im folgenden Befehl enthalten sind.

python

> ongc stats

PyONGC version: 0.5.1
Database version: 20191019
Total number of objects in database: 13978
Object types statistics:
	Star                         -> 546
	Double star                  -> 246
	Association of stars         -> 62
	Star cluster + Nebula        -> 66
	Dark Nebula                  -> 2
	Duplicated record            -> 636
	Emission Nebula              -> 8
	Galaxy                       -> 10490
	Globular Cluster             -> 205
	Group of galaxies            -> 16
	Galaxy Pair                  -> 212
	Galaxy Triplet               -> 23
	HII Ionized region           -> 83
	Nebula                       -> 93
	Nonexistent object           -> 14
	Nova star                    -> 3
	Open Cluster                 -> 661
	Object of other/unknown type -> 434
	Planetary Nebula             -> 129
	Reflection Nebula            -> 38
	Supernova remnant            -> 11

Bei der Analyse des gesamten Katalogs

Wenn Sie den gesamten Katalog analysieren möchten, laden Sie die ursprüngliche CSV-Datei herunter. Wenn wget installiert ist, sollten Sie es in einer Einstellung unten herunterladen können.

python

wget https://raw.githubusercontent.com/mattiaverga/OpenNGC/master/NGC.csv .

Beispiel für ein NGC.csv-Diagramm

Codebeispiel

python

import pandas as pd
df = pd.read_table('NGC.csv', header=0,delimiter=";")

import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
import matplotlib.cm as cm
plt.rcParams['font.family'] = 'serif'
import matplotlib.colors as colors

fig = plt.figure(figsize=(14,7.))
ax = fig.add_subplot(1, 2, 1)

num=len(set(df["Hubble"]))
usercmap = plt.get_cmap('jet')
cNorm  = colors.Normalize(vmin=0, vmax=num)
scalarMap = cm.ScalarMappable(norm=cNorm, cmap=usercmap)

for i, sp in enumerate(set(df["Hubble"])):
    c = scalarMap.to_rgba(i)
    df_species = df[df['Hubble'] == sp]
    ax.scatter(data=df_species, x='B-Mag', y='K-Mag', label=sp, color=c, s=1)

plt.xlabel("B-Mag")
plt.ylabel("K-Mag")
plt.legend(bbox_to_anchor=(0., 1.01, 1., 0.01), loc='lower left',ncol=8, mode="expand", borderaxespad=0.,fontsize=8)

ax = fig.add_subplot(1, 2, 2)


for i, sp in enumerate(set(df["Hubble"])):
    c = scalarMap.to_rgba(i)
    df_species = df[df['Hubble'] == sp]
    ax.scatter(data=df_species, x='B-Mag', y='SurfBr', label=sp, color=c, s=1)

plt.xlabel("B-Mag")
plt.ylabel(r"Surface brigness within 25 mag isophoto (B-band) [mag/arcsec$^2$]")
plt.legend(bbox_to_anchor=(0., 1.01, 1., 0.01), loc='lower left',ncol=8, mode="expand", borderaxespad=0.,fontsize=8)

plt.savefig("ngc_bk_bs.png ")
plt.show()

import seaborn as sns
sns.pairplot(df[df["Type"]=="G"],vars=["B-Mag","V-Mag","K-Mag"])
plt.savefig("ngc_bvk_galaxy.png ")

Matplotlib-Streudiagramm

Seaborn sns.pairplot Diagramm

Datenbankbeschreibung

Eine Erklärung finden Sie unter https://github.com/mattiaverga/OpenNGC/blob/master/NGC_guide.txt.

• Name: Object name composed by catalog + number NGC: New General Catalogue IC: Index Catalogue

• Type: Object type *: Star **: Double star *Ass: Association of stars OCl: Open Cluster GCl: Globular Cluster Cl+N: Star cluster + Nebula G: Galaxy GPair: Galaxy Pair GTrpl: Galaxy Triplet GGroup: Group of galaxies PN: Planetary Nebula HII: HII Ionized region DrkN: Dark Nebula EmN: Emission Nebula Neb: Nebula RfN: Reflection Nebula SNR: Supernova remnant Nova: Nova star NonEx: Nonexistent object Dup: Duplicated object (see NGC or IC columns to find the master object) Other: Other classification (see object notes)

• RA: Right Ascension in J2000 Epoch (HH:MM:SS.SS)

• Dec: Declination in J2000 Epoch (+/-DD:MM:SS.SS)

• Const: Constellation where the object is located

• MajAx: Major axis, expressed in arcmin

• MinAx: Minor axis, expressed in arcmin

• PosAng: Major axis position angle (North Eastwards)

• B-Mag: Apparent total magnitude in B filter

• V-Mag: Apparent total magnitude in V filter

• J-Mag: Apparent total magnitude in J filter

• H-Mag: Apparent total magnitude in H filter

• K-Mag: Apparent total magnitude in K filter

• SurfBr (only Galaxies): Mean surface brigthness within 25 mag isophot (B-band), expressed in mag/arcsec2

• Hubble (only Galaxies): Morphological type (for galaxies)

• Cstar U-Mag (only Planetary Nebulae): Apparent magnitude of central star in U filter

• Cstar B-Mag (only Planetary Nebulae): Apparent magnitude of central star in B filter

• Cstar V-Mag (only Planetary Nebulae): Apparent magnitude of central star in V filter

• M: cross reference Messier number

• NGC: other NGC identification, if the object is listed twice in the catalog

• IC: cross reference IC number, if the object is also listed with that identification

• Cstar Names (only Planetary Nebulae): central star identifications

• Identifiers: cross reference with other catalogs

• Common names: Common names of the object if any

• NED Notes: notes about object exported from NED

• OpenNGC Notes: notes about the object data from OpenNGC catalog

So vereinfachen Sie den Hable-Typ: Entfernen Sie Nan und zeichnen Sie dann

Zum Beispiel gibt es viele Hable-Typen, und Sie können sie vereinfachen. In diesem Fall,

python

set(df["Hubble"])

Überprüfen Sie den Typ des Habil-Typs. Erstellen Sie ein Wörterbuch, um es zu konvertieren, und erstellen Sie eine neue Spalte, um das Ergebnis der Konvertierung aufzuzeichnen.

python

htype={'E':"Etype", 'E-S0':"Etype",  'E?':"Etype",  'I':"Etype",  'IAB':"Etype",  'IB':"Etype",  \
'S0':"Etype", 'S0-a':"Etype",  'S?':"Etype",  'SABa':"Stype",   'SABb':"Stype",  'SABc':"Stype",  'SABd':"Stype",  'SABm':"Stype",  'SBa':"Stype", \
'SBab':"Stype", 'SBb':"Stype", 'SBbc':"Stype", 'SBc':"Stype", 'SBcd':"Stype", 'SBd':"Stype", 'SBm':"Stype", 'Sa':"Stype", 'Sab':"Stype", 'Sb':"Stype",  \
'Sbc':"Stype", 'Sc':"Stype", 'Scd':"Stype", 'Sd':"Stype", 'Sm':"Stype", "nan":"Nan"}
df["htype"] = df["Hubble"]
df = df.replace({"htype":htype})

Hier wird zum Beispiel ein Beispiel für die einfache Aufteilung in drei Teile, Etype, Stype und Nan, gezeigt. Das Konvertieren von E in E ist rekursiv und kann verrückt sein. Vermeiden Sie daher das Konvertieren in dasselbe Zeichen.

So löschen Sie Nan

Ich möchte Nan nicht in den Daten haben, also extrahiere ich nur die erforderlichen Spalten und führe darauf eine Dropna aus, um Nan zu löschen.

python

    ds = df_species.loc[:,["B-Mag","K-Mag","J-Mag"]] 
    ds = ds.dropna(how='any')

Beispielcode

python

import pandas as pd
df = pd.read_table('NGC.csv', header=0,delimiter=";")

htype={'E':"Etype", 'E-S0':"Etype",  'E?':"Etype",  'I':"Etype",  'IAB':"Etype",  'IB':"Etype",  \
'S0':"Etype", 'S0-a':"Etype",  'S?':"Etype",  'SABa':"Stype",   'SABb':"Stype",  'SABc':"Stype",  'SABd':"Stype",  'SABm':"Stype",  'SBa':"Stype", \
'SBab':"Stype", 'SBb':"Stype", 'SBbc':"Stype", 'SBc':"Stype", 'SBcd':"Stype", 'SBd':"Stype", 'SBm':"Stype", 'Sa':"Stype", 'Sab':"Stype", 'Sb':"Stype",  \
'Sbc':"Stype", 'Sc':"Stype", 'Scd':"Stype", 'Sd':"Stype", 'Sm':"Stype", "nan":"Nan"}

df["htype"] = df["Hubble"]
df = df.replace({"htype":htype})

import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
import matplotlib.cm as cm
plt.rcParams['font.family'] = 'serif'
import matplotlib.colors as colors

fig = plt.figure(figsize=(14,7.))

ax = fig.add_subplot(1, 2, 1)
for i, sp in enumerate(set(df["htype"])):
    df_species = df[df['htype'] == sp]
    ds = df_species.loc[:,["B-Mag","K-Mag","J-Mag"]] 
    ds = ds.dropna(how='any')
    bk = ds["B-Mag"] - ds["K-Mag"]
    bj = ds["B-Mag"] - ds["J-Mag"]   
    ax.scatter(bk,bj,label=sp, s=2)
plt.xlabel("B-K")
plt.ylabel("B-J")
plt.legend(bbox_to_anchor=(0., 1.01, 1., 0.01), loc='lower left',borderaxespad=0.,fontsize=8)

ax = fig.add_subplot(1, 2, 2)
for i, sp in enumerate(set(df["htype"])):
    df_species = df[df['htype'] == sp]
    ds = df_species.loc[:,["B-Mag","K-Mag","J-Mag"]] 
    ds = ds.dropna(how='any')
    bj = ds["B-Mag"] - ds["J-Mag"]   
    ax.scatter(ds["B-Mag"],bj,label=sp, s=2)
plt.xlabel("B")
plt.ylabel("B-J")
plt.legend(bbox_to_anchor=(0., 1.01, 1., 0.01), loc='lower left',borderaxespad=0.,fontsize=8)

plt.savefig("ngc_bk_bj.png ")
plt.show()

Generierte Figur