Comment tracer les données de lumière visible d'une galaxie à l'aide de la base de données OpenNGC en python
Qu'est-ce que le catalogue Open NGC?
(OpenNGC) [https://github.com/mattiaverga/OpenNGC] est une base de données qui organise NGC (New General Catalog) et IC (Index Catalog).
PyOngc dans l'interface python
Vous pouvez facilement obtenir les données en utilisant https://github.com/mattiaverga/PyOngc. Il peut être installé avec pip install pyongc sur la série python3.
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')
Lorsque vous installez pyongc, des outils de ligne de commande sont également installés et vous pouvez voir combien d'étoiles et de galaxies sont incluses avec la commande suivante.
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
Lors de l'analyse de l'ensemble du catalogue
Si vous souhaitez analyser l'ensemble du catalogue, téléchargez le fichier csv d'origine. Si wget est installé, vous devriez pouvoir le télécharger en une seule fois ci-dessous.
python
wget https://raw.githubusercontent.com/mattiaverga/OpenNGC/master/NGC.csv .
Exemple de tracé NGC.csv
Exemple de code
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 ")
diagramme de nuage de points matplotlib
Diagramme de paire Seaborn sns.
Description de la base de données
Il y a une explication sur 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
Comment simplifier le type de hable, supprimer Nan puis tracer
Par exemple, il existe de nombreux types de hable et vous voudrez peut-être les simplifier. Dans ce cas,
python
set(df["Hubble"])
Comme, vérifiez le type de type de hable. Créez un dictionnaire pour le convertir et créez une nouvelle colonne pour enregistrer le résultat de la conversion.
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})
Ici, par exemple, un exemple de simple division en trois parties, Etype, Stype et Nan, est montré. La conversion de E en E est récursive et peut être folle, alors évitez de convertir le même caractère.
Comment supprimer Nan
Je ne veux pas avoir Nan dans les données, donc j'extrais uniquement les colonnes nécessaires et j'exécute dropna dessus pour supprimer Nan.
python
ds = df_species.loc[:,["B-Mag","K-Mag","J-Mag"]]
ds = ds.dropna(how='any')
Exemple de code
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()
Figure générée
Recommended Posts