Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "Seiberlich, Mervin",
2
  "author": "Seiberlich, Mervin",
            
3
  "author_email": "",
3
  "author_email": "",
            
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
            
5
  "doi": "10.35097/1426",
5
  "doi": "10.35097/1426",
            
6
  "doi_date_published": "2023",
6
  "doi_date_published": "2023",
            
7
  "doi_publisher": "",
7
  "doi_publisher": "",
            
8
  "doi_status": "True",
8
  "doi_status": "True",
            
9
  "groups": [],
9
  "groups": [],
            
10
  "id": "1b27d5ca-32cc-4ccc-b294-d9807445f709",
10
  "id": "1b27d5ca-32cc-4ccc-b294-d9807445f709",
            
11
  "isopen": false,
11
  "isopen": false,
            
12
  "license_id": "Other",
12
  "license_id": "Other",
            
13
  "license_title": "Other",
13
  "license_title": "Other",
            
14
  "metadata_created": "2023-08-04T08:50:46.096837",
14
  "metadata_created": "2023-08-04T08:50:46.096837",
            
t
15
  "metadata_modified": "2023-08-04T08:50:46.096843",
t
15
  "metadata_modified": "2023-08-04T08:52:03.346354",
            
16
  "name": "rdr-doi-10-35097-1426",
16
  "name": "rdr-doi-10-35097-1426",
            
17
  "notes": "Abstract: Python module for the evaluation of lab 
17
  "notes": "Abstract: Python module for the evaluation of lab 
            
18
experiments.\r\n\r\nThe module implements functions to import 
18
experiments.\r\n\r\nThe module implements functions to import 
            
19
meta-data of measurements, filters to search for subsets of them and 
19
meta-data of measurements, filters to search for subsets of them and 
            
20
routines to import and plot data from this meta-data. It works well in 
20
routines to import and plot data from this meta-data. It works well in 
            
21
its original context but is currently in open alpha since it will be 
21
its original context but is currently in open alpha since it will be 
            
22
restructured in order to be compatible with new lab 
22
restructured in order to be compatible with new lab 
            
23
environments.\r\nTechnicalRemarks: # \ud83d\udd2c\ufe0f Experiment 
23
environments.\r\nTechnicalRemarks: # \ud83d\udd2c\ufe0f Experiment 
            
24
Evaluation\r\nPython module for the evaluation of lab 
24
Evaluation\r\nPython module for the evaluation of lab 
            
25
experiments.\r\n\r\nThe module implements functions to import 
25
experiments.\r\n\r\nThe module implements functions to import 
            
26
meta-data of measurements, filters to search for subsets of them and 
26
meta-data of measurements, filters to search for subsets of them and 
            
27
routines to import and plot data from this meta-data. It works well in 
27
routines to import and plot data from this meta-data. It works well in 
            
28
its original context but is currently in open alpha since it will be 
28
its original context but is currently in open alpha since it will be 
            
29
restructured in order to be compatible with new lab 
29
restructured in order to be compatible with new lab 
            
30
environments.\r\n\r\nExamples of its usage in scientific works will 
30
environments.\r\n\r\nExamples of its usage in scientific works will 
            
31
soon be published by the author that can be used to reference it. Feel 
31
soon be published by the author that can be used to reference it. Feel 
            
32
free to use it for your own projects and to ask questions. For now you 
32
free to use it for your own projects and to ask questions. For now you 
            
33
can cite this repository as source.\r\n\r\n# \ud83d\udcbb\ufe0f 
33
can cite this repository as source.\r\n\r\n# \ud83d\udcbb\ufe0f 
            
34
Installation\r\nYou need a running python3 installation on your OS. 
34
Installation\r\nYou need a running python3 installation on your OS. 
            
35
The module was written on Debian/GNU-Linux, was tested on Windows and 
35
The module was written on Debian/GNU-Linux, was tested on Windows and 
            
36
should also run on other OS.\r\nIt is recommended to work in an 
36
should also run on other OS.\r\nIt is recommended to work in an 
            
37
virtual environment (see the official python documentation -> from 
37
virtual environment (see the official python documentation -> from 
            
38
bash: `python3 -m venv exp_env` `source exp_env/bin/activate`) or 
38
bash: `python3 -m venv exp_env` `source exp_env/bin/activate`) or 
            
39
conda installation.\r\n\r\n## Dependencies\r\nDependencies are the 
39
conda installation.\r\n\r\n## Dependencies\r\nDependencies are the 
            
40
usual scientific modules like numpy, matplotlib, pandas but also 
40
usual scientific modules like numpy, matplotlib, pandas but also 
            
41
astropy. See the `requirements.txt` from that you should be able to 
41
astropy. See the `requirements.txt` from that you should be able to 
            
42
install the library with\r\n\r\n```\r\npip install pip -U # Update pip 
42
install the library with\r\n\r\n```\r\npip install pip -U # Update pip 
            
43
itself\r\npip install -r 
43
itself\r\npip install -r 
            
44
/path/to/requirements.txt\r\n```\r\n\r\nAlternatively you can also 
44
/path/to/requirements.txt\r\n```\r\n\r\nAlternatively you can also 
            
45
install the required modules from the shell etc.. The author 
45
install the required modules from the shell etc.. The author 
            
46
recommends to also install jupyter that includes the interactive 
46
recommends to also install jupyter that includes the interactive 
            
47
ipython:\r\n\r\n```\r\n# Example via pip\r\npip install 
47
ipython:\r\n\r\n```\r\n# Example via pip\r\npip install 
            
48
jupyter\r\n\r\npip install numpy\r\npip install matplotlib\r\npip 
48
jupyter\r\n\r\npip install numpy\r\npip install matplotlib\r\npip 
            
49
install scipy\r\npip install pandas\r\npip install astropy\r\npip 
49
install scipy\r\npip install pandas\r\npip install astropy\r\npip 
            
50
install mplcursors\r\npip install pynufft\r\n# pip install 
50
install mplcursors\r\npip install pynufft\r\n# pip install 
            
51
python-slugify  # make sure this version of slugify is installed and 
51
python-slugify  # make sure this version of slugify is installed and 
            
52
not 'slugify'\r\n```\r\n\r\n## The module itself\r\nInside your 
52
not 'slugify'\r\n```\r\n\r\n## The module itself\r\nInside your 
            
53
virtual environment there is a folder 
53
virtual environment there is a folder 
            
54
`exp_env/lib/python3.../site-packages`. Place the file 
54
`exp_env/lib/python3.../site-packages`. Place the file 
            
55
`experiment_evaluation.py` inside this folder (or a new sub-folder 
55
`experiment_evaluation.py` inside this folder (or a new sub-folder 
            
56
with all your personal scientific code) to make it 
56
with all your personal scientific code) to make it 
            
57
accessible.\r\n\r\nFrom within your code (try it from an interactive 
57
accessible.\r\n\r\nFrom within your code (try it from an interactive 
            
58
ipython session) you should now be able to import it 
58
ipython session) you should now be able to import it 
            
59
via:\r\n\r\n```\r\nimport experiment_evaluation as ee\r\n# or from 
59
via:\r\n\r\n```\r\nimport experiment_evaluation as ee\r\n# or from 
            
60
subfolder: import my_scientific_modules.experiment_evaluation as 
60
subfolder: import my_scientific_modules.experiment_evaluation as 
            
61
ee\r\n```\r\n\r\n### Matplotlib style\r\nIn order to use the fancy 
61
ee\r\n```\r\n\r\n### Matplotlib style\r\nIn order to use the fancy 
            
62
custom styles (for example for consistent looking graphs throughout 
62
custom styles (for example for consistent looking graphs throughout 
            
63
your publication) it is advised to use matplotlib styles. For the 
63
your publication) it is advised to use matplotlib styles. For the 
            
64
provided styles, copy the custom styles \"thesis_default.mplstyle\" 
64
provided styles, copy the custom styles \"thesis_default.mplstyle\" 
            
65
etc. from the folder `stylelib` inside your matplotlib library 
65
etc. from the folder `stylelib` inside your matplotlib library 
            
66
.9/site-packages/matplotlib/mpl-data/stylelib/*.mplstyle`\r\n\r\n\r\n# 
66
.9/site-packages/matplotlib/mpl-data/stylelib/*.mplstyle`\r\n\r\n\r\n# 
            
67
\ud83e\uddd1\u200d\ud83d\udcbb Usage\r\nA good way to learn its usage 
67
\ud83e\uddd1\u200d\ud83d\udcbb Usage\r\nA good way to learn its usage 
            
68
is to have a look at the 
68
is to have a look at the 
            
69
[example](examples/example_experiment_evaluation.ipynb) file. But 
69
[example](examples/example_experiment_evaluation.ipynb) file. But 
            
70
since the module is work in progress we first explain some 
70
since the module is work in progress we first explain some 
            
71
concepts.\r\n\r\n## \u2728 Why meta-data?\r\nThe module automates 
71
concepts.\r\n\r\n## \u2728 Why meta-data?\r\nThe module automates 
            
72
several steps of experiment evaluations. But the highlight is its 
72
several steps of experiment evaluations. But the highlight is its 
            
73
capability to handle experimental meta-data. This enables the user to 
73
capability to handle experimental meta-data. This enables the user to 
            
74
automatically choose and plot data with a question in mind (example: 
74
automatically choose and plot data with a question in mind (example: 
            
75
plot all EQE-curves at -2V and 173Hz) instead of repeatedly choosing 
75
plot all EQE-curves at -2V and 173Hz) instead of repeatedly choosing 
            
76
files manually. For calculations that need more than one measurement 
76
files manually. For calculations that need more than one measurement 
            
77
this becomes extremely useful but also for implementing 
77
this becomes extremely useful but also for implementing 
            
78
statistics.\r\nMeta data include things like experimental settings 
78
statistics.\r\nMeta data include things like experimental settings 
            
79
(applied voltage on a diode, time of the measurement, temperature 
79
(applied voltage on a diode, time of the measurement, temperature 
            
80
etc.), the experimentalist and technical informations (file-format 
80
etc.), the experimentalist and technical informations (file-format 
            
81
etc., manufacturer experimental device).\r\n\r\nThe module includes 
81
etc., manufacturer experimental device).\r\n\r\nThe module includes 
            
82
some generic functions but to use it for your specific lab environment 
82
some generic functions but to use it for your specific lab environment 
            
83
you might need to add experiment and plot specific 
83
you might need to add experiment and plot specific 
            
84
functions.\r\n\r\n## \ud83d\udcbe\ufe0f How to save your experiment 
84
functions.\r\n\r\n## \ud83d\udcbe\ufe0f How to save your experiment 
            
85
files?\r\nIn general lab measurement files stem from different devices 
85
files?\r\nIn general lab measurement files stem from different devices 
            
86
and export routines. So frankly speaking lab-data is often a mess! But 
86
and export routines. So frankly speaking lab-data is often a mess! But 
            
87
to use automatic evaluation tools some sort of system to recognize the 
87
to use automatic evaluation tools some sort of system to recognize the 
            
88
measurement-type and store the meta-data is needed. In an ideal world 
88
measurement-type and store the meta-data is needed. In an ideal world 
            
89
a lab would decide on one file format for all measurements and labels 
89
a lab would decide on one file format for all measurements and labels 
            
90
them systematically. To include different data-types and their 
90
them systematically. To include different data-types and their 
            
91
meta-data within one file-type there exists the *.asdf (advanced 
91
meta-data within one file-type there exists the *.asdf (advanced 
            
92
scientific data format, see their 
92
scientific data format, see their 
            
93
[documentation](https://asdf.readthedocs.io/en/stable/index.html) for 
93
[documentation](https://asdf.readthedocs.io/en/stable/index.html) for 
            
94
further insight). So if you are just starting with your PhD try to use 
94
further insight). So if you are just starting with your PhD try to use 
            
95
this file format everywhere ;).\r\nAlso to make experiments 
95
this file format everywhere ;).\r\nAlso to make experiments 
            
96
distinguishable every experiment needs an unique identifier. So you 
96
distinguishable every experiment needs an unique identifier. So you 
            
97
also should number every new experiment with an increasing number and 
97
also should number every new experiment with an increasing number and 
            
98
the type of the experiment.\r\n\r\nExample of useful file naming for 
98
the type of the experiment.\r\n\r\nExample of useful file naming for 
            
99
EQE measurements: `Nr783_EQE.asdf`\r\n\r\nIn the case of my PhD I 
99
EQE measurements: `Nr783_EQE.asdf`\r\n\r\nIn the case of my PhD I 
            
100
decided to use what I found: store the different file formats, store 
100
decided to use what I found: store the different file formats, store 
            
101
them in folders with the name of the experiment and include meta-data 
101
them in folders with the name of the experiment and include meta-data 
            
102
in the file-names (bad example: `EQE/Nr783_3volt_pix1.csv`). This was 
102
in the file-names (bad example: `EQE/Nr783_3volt_pix1.csv`). This was 
            
103
not the best idea (so learn from what I learned :P)\r\nTo handle that 
103
not the best idea (so learn from what I learned :P)\r\nTo handle that 
            
104
mess, this module therefore implements also some regular-expressions 
104
mess, this module therefore implements also some regular-expressions 
            
105
to extract meta-data from file-names (`ee.meta_from_filename()`), but 
105
to extract meta-data from file-names (`ee.meta_from_filename()`), but 
            
106
in general it is advised to store all meta-data in the file-header 
106
in general it is advised to store all meta-data in the file-header 
            
107
(with the exception of the unique identifier and experiment type). 
107
(with the exception of the unique identifier and experiment type). 
            
108
Like this you could store your files in whatever folder structure you 
108
Like this you could store your files in whatever folder structure you 
            
109
like and still find them from within the script. The module then 
109
like and still find them from within the script. The module then 
            
110
imports meta-data from the files into a database and you can do fancy 
110
imports meta-data from the files into a database and you can do fancy 
            
111
data-science with your data!\r\n\r\n## \ud83d\udcd1\ufe0f 
111
data-science with your data!\r\n\r\n## \ud83d\udcd1\ufe0f 
            
112
Database\r\nFor calculations and filtering of datasets the meta-data 
112
Database\r\nFor calculations and filtering of datasets the meta-data 
            
113
and data needs to be accessible in a machine readable form. For the 
113
and data needs to be accessible in a machine readable form. For the 
            
114
time being the module imports all meta-data into a pandas DataFrame 
114
time being the module imports all meta-data into a pandas DataFrame 
            
115
that represents our database (For very large datasets this would 
115
that represents our database (For very large datasets this would 
            
116
possibly be needed to be changed). For this we have to name the root 
116
possibly be needed to be changed). For this we have to name the root 
            
117
folder that includes all experiment files/folders.\r\n\r\n**Hint**: If 
117
folder that includes all experiment files/folders.\r\n\r\n**Hint**: If 
            
118
you did not follow the unique labeling/numbering for all your 
118
you did not follow the unique labeling/numbering for all your 
            
119
experiments you can still use this module by choosing a root folder 
119
experiments you can still use this module by choosing a root folder 
            
120
that only includes the current experiment.\r\n\r\n```\r\nfrom pathlib 
120
that only includes the current experiment.\r\n\r\n```\r\nfrom pathlib 
            
121
import Path\r\nmeasurement_root_folder = 
121
import Path\r\nmeasurement_root_folder = 
            
122
Path(\"/home/PhD/Data/\")\r\n```\r\n\r\nWe can specify some 
122
Path(\"/home/PhD/Data/\")\r\n```\r\n\r\nWe can specify some 
            
123
pre-filtering for the specific experiment we want to 
123
pre-filtering for the specific experiment we want to 
            
124
evaluate:\r\n\r\n```\r\n# make use of the '/' operator to build OS 
124
evaluate:\r\n\r\n```\r\n# make use of the '/' operator to build OS 
            
125
independant paths\r\nmeasurement_folder = measurement_root_folder / 
125
independant paths\r\nmeasurement_folder = measurement_root_folder / 
            
126
\"LaserLab\" / \"proximity-sensor\" / \"OPD-Lens\" / \"OPD-Lens_v2\" 
126
\"LaserLab\" / \"proximity-sensor\" / \"OPD-Lens\" / \"OPD-Lens_v2\" 
            
127
\r\n\r\n# Define some pre-filter\r\ndevices = [nr for nr in 
127
\r\n\r\n# Define some pre-filter\r\ndevices = [nr for nr in 
            
128
range(1035, 1043)]  # Unique sample numbers of the experiment listed 
128
range(1035, 1043)]  # Unique sample numbers of the experiment listed 
            
129
by list-comprehension \r\nexplst = \"Mervin 
129
by list-comprehension \r\nexplst = \"Mervin 
            
130
Seiberlich\"\r\n\r\n```\r\n\r\nThen we import the metadata into the 
130
Seiberlich\"\r\n\r\n```\r\n\r\nThen we import the metadata into the 
            
131
pandas DataFrame database via `ee.list_measurements()` and call it 
131
pandas DataFrame database via `ee.list_measurements()` and call it 
            
132
*meta-table*:\r\n\r\n```\r\nmeta_table = 
132
*meta-table*:\r\n\r\n```\r\nmeta_table = 
            
133
ee.list_measurements(measurement_root_folder, devices, 
133
ee.list_measurements(measurement_root_folder, devices, 
            
134
experimentalist=explst, sort_by=[\"measurement_type\", \"nr\", 
134
experimentalist=explst, sort_by=[\"measurement_type\", \"nr\", 
            
135
\"pix\", \"v\"])\r\n```\r\n\r\n### \ud83d\udca1\ufe0f Advanced 
135
\"pix\", \"v\"])\r\n```\r\n\r\n### \ud83d\udca1\ufe0f Advanced 
            
136
note:\r\nInternally `ee.list_measurements()` uses custom functions to 
136
note:\r\nInternally `ee.list_measurements()` uses custom functions to 
            
137
import the experiment specific meta-data. Have a look into the 
137
import the experiment specific meta-data. Have a look into the 
            
138
source-code and search for `read_meta` for an example how this works 
138
source-code and search for `read_meta` for an example how this works 
            
139
in detail. With the *.asdf file-format only the generalized import 
139
in detail. With the *.asdf file-format only the generalized import 
            
140
function would be needed.\r\n\r\n## Import data and meta-data\r\nTo 
140
function would be needed.\r\n\r\n## Import data and meta-data\r\nTo 
            
141
import now some measurement data for plotting we use the information 
141
import now some measurement data for plotting we use the information 
            
142
inside *meta_table* with custom import routines and python 
142
inside *meta_table* with custom import routines and python 
            
143
dictionaries implementing our filters: \r\n\r\n```\r\n# Distinguish 
143
dictionaries implementing our filters: \r\n\r\n```\r\n# Distinguish 
            
144
between reference and other measurments\r\nlens = 
144
between reference and other measurments\r\nlens = 
            
145
{\"nr\":devices[:5]}\r\nref = {\"nr\":devices[5:]}\r\n\r\n# Select by 
145
{\"nr\":devices[:5]}\r\nref = {\"nr\":devices[5:]}\r\n\r\n# Select by 
            
146
bias and compare reference samples with lens (**dict unpacks the 
146
bias and compare reference samples with lens (**dict unpacks the 
            
147
values to combine two or mor dictionaries)\r\neqe_lens_0V = 
147
values to combine two or mor dictionaries)\r\neqe_lens_0V = 
            
148
ee.import_eqe(meta_table, mask_dict={**lens, 
148
ee.import_eqe(meta_table, mask_dict={**lens, 
            
149
**{\"v\":0}})\r\neqe_ref_0V = ee.import_eqe(meta_table, 
149
**{\"v\":0}})\r\neqe_ref_0V = ee.import_eqe(meta_table, 
            
150
mask_dict={**ref, **{\"v\":0}})\r\n```\r\n\r\nThis yields python lists 
150
mask_dict={**ref, **{\"v\":0}})\r\n```\r\n\r\nThis yields python lists 
            
151
`eqe_lens_0V = [table1, table2, ... tableN]` with the selected data 
151
`eqe_lens_0V = [table1, table2, ... tableN]` with the selected data 
            
152
ready for plotting (Lists are maybe not smart for huge dataset and 
152
ready for plotting (Lists are maybe not smart for huge dataset and 
            
153
some N-dimensional object can replace this in future). Note: The 
153
some N-dimensional object can replace this in future). Note: The 
            
154
tables inside the list are 
154
tables inside the list are 
            
155
astropy.QTable()](https://docs.astropy.org/en/stable/table/index.html) 
155
astropy.QTable()](https://docs.astropy.org/en/stable/table/index.html) 
            
156
objects including the data and meta-data, as well as units!\r\n\r\nSo 
156
objects including the data and meta-data, as well as units!\r\n\r\nSo 
            
157
with this few lines of code you already did some advanced data 
157
with this few lines of code you already did some advanced data 
            
158
filtering and import!\r\n\r\n\r\n## \ud83c\udf21\ufe0f Physical 
158
filtering and import!\r\n\r\n\r\n## \ud83c\udf21\ufe0f Physical 
            
159
units\r\nThe module astropy includes a submodule astropy.units. Since 
159
units\r\nThe module astropy includes a submodule astropy.units. Since 
            
160
we deal with real world data, it is a good idea to also include units 
160
we deal with real world data, it is a good idea to also include units 
            
161
in calculations.\r\n\r\n```\r\nimport astropy.units as u\r\n\r\n# 
161
in calculations.\r\n\r\n```\r\nimport astropy.units as u\r\n\r\n# 
            
162
Radius of one microlens:\r\nr = 98 * u.um\r\n```\r\n\r\n## 
162
Radius of one microlens:\r\nr = 98 * u.um\r\n```\r\n\r\n## 
            
163
\ud83d\udcdd\ufe0f Calculations\r\nIf you have to repeatedly do some 
163
\ud83d\udcdd\ufe0f Calculations\r\nIf you have to repeatedly do some 
            
164
advanced calculations or fits for some plots, include them as 
164
advanced calculations or fits for some plots, include them as 
            
165
functions in the source-code. An example would be 
165
functions in the source-code. An example would be 
            
166
`ee.pink_noise()`\r\n\r\n## \ud83d\udcca\ufe0f Plots\r\nFor plotting 
166
`ee.pink_noise()`\r\n\r\n## \ud83d\udcca\ufe0f Plots\r\nFor plotting 
            
167
there exists many modules in python. Due to its grate power we use 
167
there exists many modules in python. Due to its grate power we use 
            
168
matplotlib. This comes with the cost of some complexity (definitely 
168
matplotlib. This comes with the cost of some complexity (definitely 
            
169
have a look at its [documentation!](https://matplotlib.org)). But this 
169
have a look at its [documentation!](https://matplotlib.org)). But this 
            
170
enables us for example to have a consistence color style, figure-size 
170
enables us for example to have a consistence color style, figure-size 
            
171
and text-size in large projects like a 
171
and text-size in large projects like a 
            
172
PhD-thesis:\r\n\r\n```\r\nmpl.style.use([\"thesis_default\", 
172
PhD-thesis:\r\n\r\n```\r\nmpl.style.use([\"thesis_default\", 
            
173
\"thesis_talk\"])   # We use style-sheets to set things like 
173
\"thesis_talk\"])   # We use style-sheets to set things like 
            
174
figure-size and text-size, see 
174
figure-size and text-size, see 
            
175
le/tutorials/introductory/customizing.html#composing-styles\r\n\r\nw,h 
175
le/tutorials/introductory/customizing.html#composing-styles\r\n\r\nw,h 
            
176
= plt.rcParams['figure.figsize'] # get the default size for figures to 
176
= plt.rcParams['figure.figsize'] # get the default size for figures to 
            
177
scale plots accordingly\r\n```\r\n\r\nIn order to not invent the wheel 
177
scale plots accordingly\r\n```\r\n\r\nIn order to not invent the wheel 
            
178
over and over again it makes sense to wrap some plotting routines for 
178
over and over again it makes sense to wrap some plotting routines for 
            
179
each experiment inside some custom functions. For further detail see 
179
each experiment inside some custom functions. For further detail see 
            
180
the [documentation/recommended function signature for matplotlib 
180
the [documentation/recommended function signature for matplotlib 
            
181
specialized 
181
specialized 
            
182
tions](https://matplotlib.org/2.0.2/faq/usage_faq.html#coding-styles). 
182
tions](https://matplotlib.org/2.0.2/faq/usage_faq.html#coding-styles). 
            
183
This enables easy experiment-type specific plotting (even with 
183
This enables easy experiment-type specific plotting (even with 
            
184
statistics) once all functions are set up:\r\n\r\n```\r\n# %% plot eqe 
184
statistics) once all functions are set up:\r\n\r\n```\r\n# %% plot eqe 
            
185
statistics\r\nfig, ax = plt.subplots(1,1, figsize=(w, h), 
185
statistics\r\nfig, ax = plt.subplots(1,1, figsize=(w, h), 
            
186
layout=\"constrained\")\r\n\r\nee.plot_eqe(ax, eqe_lens_0V, 
186
layout=\"constrained\")\r\n\r\nee.plot_eqe(ax, eqe_lens_0V, 
            
187
statistics=True, color=\"tab:green\", plot_type=\"EQE\", marker=True, 
187
statistics=True, color=\"tab:green\", plot_type=\"EQE\", marker=True, 
            
188
ncol=2)\r\nee.plot_eqe(ax, eqe_ref_0V, statistics=True, 
188
ncol=2)\r\nee.plot_eqe(ax, eqe_ref_0V, statistics=True, 
            
189
color=\"tab:blue\", plot_type=\"EQE\", marker=True, 
189
color=\"tab:blue\", plot_type=\"EQE\", marker=True, 
            
190
ncol=2)\r\nax.set_ylim(0,60)\r\nax.legend([\"Lens\",\"$1\\sigma - 
190
ncol=2)\r\nax.set_ylim(0,60)\r\nax.legend([\"Lens\",\"$1\\sigma - 
            
191
Lens$\", \"Reference\", \"$1\\sigma - reference$\"], loc=\"lower 
191
Lens$\", \"Reference\", \"$1\\sigma - reference$\"], loc=\"lower 
            
192
left\", ncol=2)\r\n```\r\n\r\nOnly 5 lines of code! For further 
192
left\", ncol=2)\r\n```\r\n\r\nOnly 5 lines of code! For further 
            
193
details see the 
193
details see the 
            
194
[example](examples/example_experiment_evaluation.ipynb) 
194
[example](examples/example_experiment_evaluation.ipynb) 
            
195
file!\r\n\r\n\r\n# \ud83d\udcd6 FAQ\r\n1. How do I get further 
195
file!\r\n\r\n\r\n# \ud83d\udcd6 FAQ\r\n1. How do I get further 
            
196
information about the functions of the module?\r\nUse the doc-string! 
196
information about the functions of the module?\r\nUse the doc-string! 
            
197
In jupyter-lab or ipython type for example `ee.plot_eqe?` to read more 
197
In jupyter-lab or ipython type for example `ee.plot_eqe?` to read more 
            
198
about the custom plot function for eqe measurements\r\n\r\n2. How do I 
198
about the custom plot function for eqe measurements\r\n\r\n2. How do I 
            
199
exclude some specific measurements (outliers, 
199
exclude some specific measurements (outliers, 
            
200
false_measurements)?\r\nImport functions now implement an `exclude` 
200
false_measurements)?\r\nImport functions now implement an `exclude` 
            
201
argument comprising a list of dictionarys to exclude specific 
201
argument comprising a list of dictionarys to exclude specific 
            
202
data.\r\n```\r\ndata_dark_pcbm_ref = ee.import_iV(meta_table, 
202
data.\r\n```\r\ndata_dark_pcbm_ref = ee.import_iV(meta_table, 
            
203
A=0.01*u.cm**2, mask_dict={\"nr\":PCBM, **pix}, 
203
A=0.01*u.cm**2, mask_dict={\"nr\":PCBM, **pix}, 
            
204
exclude=[{\"c\":[25,150]}, 
204
exclude=[{\"c\":[25,150]}, 
            
205
{\"solventOnly\":True}])\r\n```\r\nSometimes it is helpful to only 
205
{\"solventOnly\":True}])\r\n```\r\nSometimes it is helpful to only 
            
206
append single measurements by the += operator though. Here is an 
206
append single measurements by the += operator though. Here is an 
            
207
example:\r\n\r\n```\r\ndata_ldr_0V = ee.import_ldr(meta_table, 
207
example:\r\n\r\n```\r\ndata_ldr_0V = ee.import_ldr(meta_table, 
            
208
mask_dict={\"nr\":[1035, 1036, 1037, 1038, 1039, 1040, 1041], \"v\":0, 
208
mask_dict={\"nr\":[1035, 1036, 1037, 1038, 1039, 1040, 1041], \"v\":0, 
            
209
\"custompower\":[0, 9.5]})\r\ndata_ldr_0V += ee.import_ldr(meta_table, 
209
\"custompower\":[0, 9.5]})\r\ndata_ldr_0V += ee.import_ldr(meta_table, 
            
210
mask_dict={\"nr\":1042, \"pix\":1, \"v\":0, \"custompower\":[0, 
210
mask_dict={\"nr\":1042, \"pix\":1, \"v\":0, \"custompower\":[0, 
            
211
9.5]})\r\n```\r\n\r\n\r\n# \ud83d\udc65\ufe0f Contributors and 
211
9.5]})\r\n```\r\n\r\n\r\n# \ud83d\udc65\ufe0f Contributors and 
            
212
acknowledgment\r\nMany question were answered by searching through 
212
acknowledgment\r\nMany question were answered by searching through 
            
213
forums and the author is very thankful for the culture of openness in 
213
forums and the author is very thankful for the culture of openness in 
            
214
the FOSS community.\r\n\r\nA warm thank you goes to [Jyh-Miin 
214
the FOSS community.\r\n\r\nA warm thank you goes to [Jyh-Miin 
            
215
Lin](https://github.com/jyhmiinlin) who provided a helpful example and 
215
Lin](https://github.com/jyhmiinlin) who provided a helpful example and 
            
216
explanations on how to use the excellent 
216
explanations on how to use the excellent 
            
217
[pynufft](https://github.com/jyhmiinlin/pynufft) package for 
217
[pynufft](https://github.com/jyhmiinlin/pynufft) package for 
            
218
non-uniform FFT.\r\n\r\n\r\n# \ud83d\udc8c\ufe0f 
218
non-uniform FFT.\r\n\r\n\r\n# \ud83d\udc8c\ufe0f 
            
219
License\r\n\r\nLicense:\r\n\r\nCopyright (C) 2022-2023 Mervin 
219
License\r\n\r\nLicense:\r\n\r\nCopyright (C) 2022-2023 Mervin 
            
220
Seiberlich\r\n\r\nAuthor - Mervin Seiberlich\r\n\r\nThis file is part 
220
Seiberlich\r\n\r\nAuthor - Mervin Seiberlich\r\n\r\nThis file is part 
            
221
of experiment_evaluation.\r\n\r\nexperiment_evaluation is free 
221
of experiment_evaluation.\r\n\r\nexperiment_evaluation is free 
            
222
software: you can redistribute it and/or modify it under the terms of 
222
software: you can redistribute it and/or modify it under the terms of 
            
223
the GNU General Public License as published by the Free Software 
223
the GNU General Public License as published by the Free Software 
            
224
Foundation, either version 3 of the License, or (at your option) any 
224
Foundation, either version 3 of the License, or (at your option) any 
            
225
later version.\r\n\r\nexperiment_evaluation is distributed in the hope 
225
later version.\r\n\r\nexperiment_evaluation is distributed in the hope 
            
226
that it will be useful, but WITHOUT ANY WARRANTY; without even the 
226
that it will be useful, but WITHOUT ANY WARRANTY; without even the 
            
227
implied warranty of MERCHANTABILITY or FITNESS FOR A PARTICULAR 
227
implied warranty of MERCHANTABILITY or FITNESS FOR A PARTICULAR 
            
228
PURPOSE. See the GNU General Public License for more 
228
PURPOSE. See the GNU General Public License for more 
            
229
details.\r\n\r\nYou should have received a copy of the GNU General 
229
details.\r\n\r\nYou should have received a copy of the GNU General 
            
230
Public License along with experiment_evaluation. If not, see 
230
Public License along with experiment_evaluation. If not, see 
            
231
<https://www.gnu.org/licenses/>.",
231
<https://www.gnu.org/licenses/>.",
            
232
  "num_resources": 0,
232
  "num_resources": 0,
            
233
  "num_tags": 4,
233
  "num_tags": 4,
            
234
  "orcid": "0000-0002-6013-169X",
234
  "orcid": "0000-0002-6013-169X",
            
235
  "organization": {
235
  "organization": {
            
236
    "approval_status": "approved",
236
    "approval_status": "approved",
            
237
    "created": "2023-01-12T13:30:23.238233",
237
    "created": "2023-01-12T13:30:23.238233",
            
238
    "description": "RADAR (Research Data Repository) is a 
238
    "description": "RADAR (Research Data Repository) is a 
            
239
cross-disciplinary repository for archiving and publishing research 
239
cross-disciplinary repository for archiving and publishing research 
            
240
data from completed scientific studies and projects. The focus is on 
240
data from completed scientific studies and projects. The focus is on 
            
241
research data from subjects that do not yet have their own 
241
research data from subjects that do not yet have their own 
            
242
discipline-specific infrastructures for research data management. ",
242
discipline-specific infrastructures for research data management. ",
            
243
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
243
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
244
    "image_url": "radar-logo.svg",
244
    "image_url": "radar-logo.svg",
            
245
    "is_organization": true,
245
    "is_organization": true,
            
246
    "name": "radar",
246
    "name": "radar",
            
247
    "state": "active",
247
    "state": "active",
            
248
    "title": "RADAR",
248
    "title": "RADAR",
            
249
    "type": "organization"
249
    "type": "organization"
            
250
  },
250
  },
            
251
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
251
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
252
  "private": false,
252
  "private": false,
            
253
  "production_year": "2023",
253
  "production_year": "2023",
            
254
  "publication_year": "2023",
254
  "publication_year": "2023",
            
255
  "publishers": [
255
  "publishers": [
            
256
    {
256
    {
            
257
      "publisher": "Karlsruhe Institute of Technology"
257
      "publisher": "Karlsruhe Institute of Technology"
            
258
    }
258
    }
            
259
  ],
259
  ],
            
260
  "relationships_as_object": [],
260
  "relationships_as_object": [],
            
261
  "relationships_as_subject": [],
261
  "relationships_as_subject": [],
            
262
  "repository_name": "RADAR (Research Data Repository)",
262
  "repository_name": "RADAR (Research Data Repository)",
            
263
  "resources": [],
263
  "resources": [],
            
264
  "services_used_list": "",
264
  "services_used_list": "",
            
265
  "source_metadata_created": "2023",
265
  "source_metadata_created": "2023",
            
266
  "source_metadata_modified": "",
266
  "source_metadata_modified": "",
            
267
  "state": "active",
267
  "state": "active",
            
268
  "subject_areas": [
268
  "subject_areas": [
            
269
    {
269
    {
            
270
      "subject_area_additional": "",
270
      "subject_area_additional": "",
            
271
      "subject_area_name": "Engineering"
271
      "subject_area_name": "Engineering"
            
272
    }
272
    }
            
273
  ],
273
  ],
            
274
  "tags": [
274
  "tags": [
            
275
    {
275
    {
            
276
      "display_name": "RSE",
276
      "display_name": "RSE",
            
277
      "id": "8bb5fbc4-3716-4ff7-8c63-30e734b8e74f",
277
      "id": "8bb5fbc4-3716-4ff7-8c63-30e734b8e74f",
            
278
      "name": "RSE",
278
      "name": "RSE",
            
279
      "state": "active",
279
      "state": "active",
            
280
      "vocabulary_id": null
280
      "vocabulary_id": null
            
281
    },
281
    },
            
282
    {
282
    {
            
283
      "display_name": "data evaluation",
283
      "display_name": "data evaluation",
            
284
      "id": "effe8a24-f75f-4d8c-a289-7e0b7bf00788",
284
      "id": "effe8a24-f75f-4d8c-a289-7e0b7bf00788",
            
285
      "name": "data evaluation",
285
      "name": "data evaluation",
            
286
      "state": "active",
286
      "state": "active",
            
287
      "vocabulary_id": null
287
      "vocabulary_id": null
            
288
    },
288
    },
            
289
    {
289
    {
            
290
      "display_name": "metadata",
290
      "display_name": "metadata",
            
291
      "id": "25e98795-9bfe-4363-918b-d0052f4a5acd",
291
      "id": "25e98795-9bfe-4363-918b-d0052f4a5acd",
            
292
      "name": "metadata",
292
      "name": "metadata",
            
293
      "state": "active",
293
      "state": "active",
            
294
      "vocabulary_id": null
294
      "vocabulary_id": null
            
295
    },
295
    },
            
296
    {
296
    {
            
297
      "display_name": "python",
297
      "display_name": "python",
            
298
      "id": "1aa46c25-ca52-4c40-beb0-e05f0e1aa1e7",
298
      "id": "1aa46c25-ca52-4c40-beb0-e05f0e1aa1e7",
            
299
      "name": "python",
299
      "name": "python",
            
300
      "state": "active",
300
      "state": "active",
            
301
      "vocabulary_id": null
301
      "vocabulary_id": null
            
302
    }
302
    }
            
303
  ],
303
  ],
            
304
  "title": "Experiment_evaluation",
304
  "title": "Experiment_evaluation",
            
305
  "type": "vdataset",
305
  "type": "vdataset",
            
306
  "url": "https://doi.org/10.35097/1426"
306
  "url": "https://doi.org/10.35097/1426"
            
307
}
307
}