pysawsim/histogram.py

   1 # Copyright (C) 2009-2010  W. Trevor King <wking@drexel.edu>
   2 #
   3 # This program is free software: you can redistribute it and/or modify
   4 # it under the terms of the GNU General Public License as published by
   5 # the Free Software Foundation, either version 3 of the License, or
   6 # (at your option) any later version.
   7 #
   8 # This program is distributed in the hope that it will be useful,
   9 # but WITHOUT ANY WARRANTY; without even the implied warranty of
  10 # MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  11 # GNU General Public License for more details.
  12 #
  13 # You should have received a copy of the GNU General Public License
  14 # along with this program.  If not, see <http://www.gnu.org/licenses/>.
  15 #
  16 # The author may be contacted at <wking@drexel.edu> on the Internet, or
  17 # write to Trevor King, Drexel University, Physics Dept., 3141 Chestnut St.,
  18 # Philadelphia PA 19104, USA.
  19
  20 """Histogram generation and comparison.
  21 """
  22
  23 import matplotlib
  24 matplotlib.use('Agg')  # select backend that doesn't require X Windows
  25 import numpy
  26 import pylab
  27
  28 from . import log
  29
  30
  31 _multiprocess_can_split_ = True
  32 """Allow nosetests to split tests between processes.
  33 """
  34
  35 FIGURE = pylab.figure()  # avoid memory problems.
  36 """`pylab` keeps internal references to all created figures, so share
  37 a single instance.
  38 """
  39
  40
  41 class Histogram (object):
  42     """A histogram with a flexible comparison method, `residual()`.
  43
  44     >>> h = Histogram()
  45     """
  46     def __init__(self):
  47         self.headings = None
  48
  49     def calculate_bin_edges(self, data, bin_width):
  50         """
  51         >>> h = Histogram()
  52         >>> h.calculate_bin_edges(numpy.array([-7.5, 18.2, 4]), 10)
  53         array([-10.,   0.,  10.,  20.])
  54         >>> h.calculate_bin_edges(numpy.array([-7.5, 18.2, 4, 20]), 10)
  55         array([-10.,   0.,  10.,  20.])
  56         >>> h.calculate_bin_edges(numpy.array([0, 18.2, 4, 20]), 10)
  57         array([  0.,  10.,  20.])
  58         >>> h.calculate_bin_edges(numpy.array([18.2, 4, 20]), 10)
  59         array([  0.,  10.,  20.])
  60         >>> h.calculate_bin_edges(numpy.array([18.2, 20]), 10)
  61         array([ 10.,  20.])
  62         """
  63         m = data.min()
  64         M = data.max()
  65         bin_start = m - m % bin_width
  66         return numpy.arange(bin_start, M+bin_width, bin_width, dtype=data.dtype)
  67
  68     def from_data(self, data, bin_edges):
  69         """Initialize from `data`.
  70
  71         All bins should be of equal width (so we can calculate which
  72         bin a data point belongs to).
  73         """
  74         data = numpy.array(data)
  75         self.bin_edges = numpy.array(bin_edges)
  76         bin_width = self.bin_edges[1] - self.bin_edges[0]
  77
  78         bin_is = numpy.floor((data - self.bin_edges[0])/bin_width)
  79         self.counts = numpy.zeros((len(self.bin_edges)-1,), dtype=numpy.int)
  80         for i in range(len(self.counts)):
  81             self.counts[i] = (bin_is == i).sum()
  82         self.counts = numpy.array(self.counts)
  83         self.total = float(len(data)) # some data might be outside the bins
  84         self.mean = data.mean()
  85         self.std_dev = data.std()
  86         self.normalize()
  87
  88     def from_stream(self, stream):
  89         """Initialize from `stream`.
  90
  91         File format:
  92
  93             # comment and blank lines ignored
  94             <bin_edge><whitespace><count>
  95             ...
  96
  97         `<bin_edge>` should mark the left-hand side of the bin, and
  98         all bins should be of equal width (so we know where the last
  99         one ends).
 100
 101         >>> import StringIO
 102         >>> h = Histogram()
 103         >>> h.from_stream(StringIO.StringIO('''# Force (N)\\tUnfolding events
 104         ... 150e-12\\t10
 105         ... 200e-12\\t40
 106         ... 250e-12\\t5
 107         ... '''))
 108         >>> h.headings
 109         ['Force (N)', 'Unfolding events']
 110         >>> h.total
 111         55.0
 112         >>> h.counts
 113         [10.0, 40.0, 5.0]
 114         >>> h.bin_edges  # doctest: +ELLIPSIS
 115         [1.5e-10, 2...e-10, 2.5...e-10, 3e-10]
 116         >>> h.probabilities  # doctest: +ELLIPSIS
 117         [0.181..., 0.727..., 0.0909...]
 118         """
 119         self.headings = None
 120         self.bin_edges = []
 121         self.counts = []
 122         for line in stream.readlines():
 123             line = line.strip()
 124             if len(line) == 0 or line.startswith('#'):
 125                 if self.headings == None and line.startswith('#'):
 126                     line = line[len('#'):]
 127                     self.headings = [x.strip() for x in line.split('\t')]
 128                 continue # ignore blank lines and comments
 129             try:
 130                 bin_edge,count = line.split()
 131             except ValueError:
 132                 log().error('Unable to parse histogram line: "%s"' % line)
 133                 raise
 134             self.bin_edges.append(float(bin_edge))
 135             self.counts.append(float(count))
 136         bin_width = self.bin_edges[1] - self.bin_edges[0]
 137         self.bin_edges.append(self.bin_edges[-1]+bin_width)
 138         self.analyze()
 139
 140     def to_stream(self, stream):
 141         """Write to `stream` with the same format as `from_stream()`.
 142
 143         >>> import sys
 144         >>> h = Histogram()
 145         >>> h.headings = ['Force (N)', 'Unfolding events']
 146         >>> h.bin_edges = [1.5e-10, 2e-10, 2.5e-10, 3e-10]
 147         >>> h.counts = [10, 40, 5]
 148         >>> h.to_stream(sys.stdout)
 149         ... # doctest: +NORMALIZE_WHITESPACE, +REPORT_UDIFF
 150         #Force (N)\tUnfolding events
 151         1.5e-10\t10
 152         2e-10\t40
 153         2.5e-10\t5
 154         """
 155         if self.headings != None:
 156             stream.write('#%s\n' % '\t'.join(self.headings))
 157         for bin,count in zip(self.bin_edges, self.counts):
 158             stream.write('%g\t%g\n' % (bin, count))
 159
 160     def analyze(self):
 161         """Analyze `.counts` and `.bin_edges` if the raw data is missing.
 162
 163         Generate `.total`, `.mean`, and `.std_dev`, and run
 164         `.normalize()`.
 165         """
 166         bin_width = self.bin_edges[1] - self.bin_edges[0]
 167         self.total = float(sum(self.counts))
 168         self.mean = 0
 169         for bin,count in zip(self.bin_edges, self.counts):
 170             bin += bin_width / 2.0
 171             self.mean += bin * count
 172         self.mean /=  float(self.total)
 173         variance = 0
 174         for bin,count in zip(self.bin_edges, self.counts):
 175             bin += bin_width / 2.0
 176             variance += (bin - self.mean)**2 * count
 177         self.std_dev = numpy.sqrt(variance)
 178         self.normalize()
 179
 180     def normalize(self):
 181         """Generate `.probabilities` from `.total` and `.counts`.
 182         """
 183         self.total = float(self.total)
 184         self.probabilities = [count/self.total for count in self.counts]
 185
 186     def mean_residual(self, other):
 187         return abs(other.mean - self.mean)
 188
 189     def std_dev_residual(self, other):
 190         return abs(other.std_dev - self.std_dev)
 191
 192     def chi_squared_residual(self, other):
 193         assert (self.bin_edges == other.bin_edges).all()
 194         residual = 0
 195         for probA,probB in zip(self.probabilities, other.probabilities):
 196             residual += (probA-probB)**2 / probB
 197         return residual
 198
 199     def jensen_shannon_residual(self, other):
 200         assert (self.bin_edges == other.bin_edges).all()
 201         def d_KL_term(p,q):
 202             """
 203             Kullback-Leibler divergence for a single bin, with the
 204             exception that we return 0 if q==0, rather than
 205             exploding like d_KL should.  We can do this because
 206             the way d_KL_term is used in the Jensen-Shannon
 207             divergence, if q (really m) == 0, then p also == 0,
 208             and the Jensen-Shannon divergence for the entire term
 209             should be zero.
 210             """
 211             if p==0 or q==0 or p==q:
 212                 return 0.0
 213             return p * numpy.log2(p/q)
 214         residual = 0
 215         for probA,probB in zip(self.probabilities, other.probabilities):
 216             m = (probA+probB) / 2.0
 217             residual += 0.5*(d_KL_term(probA,m) + d_KL_term(probB,m))
 218         return residual
 219
 220     def _method_to_type(self, name):
 221         return name[:-len('_residual')].replace('_', '-')
 222
 223     def _type_to_method(self, name):
 224         return '%s_residual' % name.replace('-', '_')
 225
 226     def types(self):
 227         """Return a list of supported residual types.
 228         """
 229         return sorted([self._method_to_type(x)
 230                        for x in dir(self) if x.endswith('_residual')])
 231
 232     def residual(self, other, type='jensen-shannon'):
 233         """Compare this histogram with `other`.
 234
 235         Supported comparison `type`\s may be found with `types()`:
 236
 237         >>> h = Histogram()
 238         >>> h.types()
 239         ['chi-squared', 'jensen-shannon', 'mean', 'std-dev']
 240
 241         Selecting an invalid `type` raises an exception.
 242
 243         >>> h.residual(other=None, type='invalid-type')
 244         Traceback (most recent call last):
 245           ...
 246         AttributeError: 'Histogram' object has no attribute 'invalid_type_residual'
 247
 248         For residual types where there is a convention, this histogram
 249         is treated as the experimental histogram and the other
 250         histogram is treated as the theoretical one.
 251         """
 252         r_method = getattr(self, self._type_to_method(type))
 253         return r_method(other)
 254
 255     def plot(self, title=None, filename=None):
 256         FIGURE.clear()
 257         axes = FIGURE.add_subplot(1, 1, 1)
 258         axes.hist(x=self.bin_edges[:-1],  # one fake entry for each bin
 259                   weights=self.counts,    # weigh the fake entries by count
 260                   bins=self.bin_edges,
 261                   align='mid', histtype='stepfilled')
 262         axes.set_title(title)
 263         pylab.show()
 264         FIGURE.savefig(filename)