| Software | Version |
|---|
| Python | 2.7.9 64bit [GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] |
| IPython | 2.3.1 |
| OS | Linux 3.13.0 45 generic x86_64 with debian jessie sid |
| numpy | 1.9.1 |
| matplotlib | 1.4.2 |
| pandas | 0.15.2 |
| quantities | 0.10.1 |
| Mon Feb 23 23:34:25 2015 CET |
"
],
"json": [
"{\"Software versions\": [{\"version\": \"2.7.9 64bit [GCC 4.4.7 20120313 (Red Hat 4.4.7-1)]\", \"module\": \"Python\"}, {\"version\": \"2.3.1\", \"module\": \"IPython\"}, {\"version\": \"Linux 3.13.0 45 generic x86_64 with debian jessie sid\", \"module\": \"OS\"}, {\"version\": \"1.9.1\", \"module\": \"numpy\"}, {\"version\": \"1.4.2\", \"module\": \"matplotlib\"}, {\"version\": \"0.15.2\", \"module\": \"pandas\"}, {\"version\": \"0.10.1\", \"module\": \"quantities\"}]}"
],
"latex": [
"\\begin{tabular}{|l|l|}\\hline\n",
"{\\bf Software} & {\\bf Version} \\\\ \\hline\\hline\n",
"Python & 2.7.9 64bit [GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] \\\\ \\hline\n",
"IPython & 2.3.1 \\\\ \\hline\n",
"OS & Linux 3.13.0 45 generic x86\\_64 with debian jessie sid \\\\ \\hline\n",
"numpy & 1.9.1 \\\\ \\hline\n",
"matplotlib & 1.4.2 \\\\ \\hline\n",
"pandas & 0.15.2 \\\\ \\hline\n",
"quantities & 0.10.1 \\\\ \\hline\n",
"\\hline \\multicolumn{2}{|l|}{Mon Feb 23 23:34:25 2015 CET} \\\\ \\hline\n",
"\\end{tabular}\n"
],
"metadata": {},
"output_type": "pyout",
"prompt_number": 1,
"text": [
"Software versions\n",
"Python 2.7.9 64bit [GCC 4.4.7 20120313 (Red Hat 4.4.7-1)]\n",
"IPython 2.3.1\n",
"OS Linux 3.13.0 45 generic x86_64 with debian jessie sid\n",
"numpy 1.9.1\n",
"matplotlib 1.4.2\n",
"pandas 0.15.2\n",
"quantities 0.10.1\n",
"Mon Feb 23 23:34:25 2015 CET"
]
}
],
"prompt_number": 1
},
{
"cell_type": "heading",
"level": 2,
"metadata": {},
"source": [
"Preparaci\u00f3n del acceso a la base de datos del SDSS"
]
},
{
"cell_type": "code",
"collapsed": false,
"input": [
"# URL SQL Search DR10\n",
"url = \"http://skyserver.sdss3.org/dr10/en/tools/search/sql.aspx\"\n",
"# Abrimos una instancia de Browser para hacer los queries\n",
"br = mechanize.Browser()"
],
"language": "python",
"metadata": {},
"outputs": [],
"prompt_number": 2
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Vamos a definir una funci\u00f3n para hacer los queries SQL a la base de datos con m\u00e1s comodidad, obteniendo como resultado un dataframe de Pandas:"
]
},
{
"cell_type": "code",
"collapsed": false,
"input": [
"def SDSS_select(sql):\n",
" br.open(url)\n",
" br.select_form(name=\"sql\")\n",
" br['cmd'] = sql\n",
" br['format']=['csv']\n",
" response = br.submit()\n",
" file_like = StringIO.StringIO(response.get_data())\n",
" return pd.read_csv(file_like, skiprows=1)"
],
"language": "python",
"metadata": {},
"outputs": [],
"prompt_number": 3
},
{
"cell_type": "heading",
"level": 2,
"metadata": {},
"source": [
"Creaci\u00f3n de un dataframe con estrellas en la secuencia principal"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Dado que queremos obtener datos tanto fotom\u00e9tricos como del espectro (la clasificaci\u00f3n espectral del objeto), la tabla m\u00e1s apropiada de la base de datos del SDSS puede ser la vista [SpecPhoto](http://skyserver.sdss3.org/dr10/en/help/browser/browser.aspx#&&history=description+SpecPhoto+V), de ella nos van a interesar en particular los datos relativos a las magnitudes en cada filtro, los campos \"class\" y \"type\" para seleccionar \u00fanicamente estrellas, y el campo \"subClass\" en el que se encuentra la informaci\u00f3n relativa a la clasificaci\u00f3n espectral del objeto.\n",
"\n",
"Vamos a preparar un query SQL para obtener un dataframe con las estrellas que de acuerdo a los datos de su espectro han sido clasificadas en la base de datos del SDSS como pertenecientes a la secuencia principal. \n",
"\n",
"Hay que tener en cuenta que el campo \"type\" establece una clasificaci\u00f3n de los objetos atendiendo a su morfolog\u00eda: type = 6 significa \"STAR\". En cambio, \"class\" clasifica los objetos atendiendo a su espectro en tres categor\u00edas: \"GALAXY\", \"QSO\", o \"STAR\". Por tanto, objetos con un \"type\" igual a 6 en la base de datos pueden ser clasificados espectrogr\u00e1ficamente como estrellas, glaxias o quasares. Rec\u00edprocamente, aunque la clasificaci\u00f3n espectral es m\u00e1s segura, en la base de datos se encuentran tambi\u00e9n algunos objetos con \"class\" con el valor \"STAR\" y con tipos diferentes de 6, como por ejemplo 0 (UNKNOWN) o 3 (GALAXY). Por ello lo mejor para asegurarnos de que estamos seleccionando \u00fanicamente estrellas es buscar con type=6 y class='STAR'.\n",
"\n",
"Sabemos por el post anterior, que en el esquema Morgan-Keenan las estrellas de la secuencia principal son las que tienen una clase de luminosidad de tipo \"V\". Prepararemos el SQL para obtener precisamente las estrellas con esta clasificaci\u00f3n:"
]
},
{
"cell_type": "code",
"collapsed": false,
"input": [
"SQL_V = (\n",
"'SELECT '\n",
" 'objID, subclass, flags, zwarning, '\n",
" 'modelMag_u, modelMag_g, modelMag_r, '\n",
" 'modelMag_i, modelMag_z '\n",
"'FROM SpecPhoto '\n",
"'WHERE '\n",
" 'class = \"STAR\" '\n",
"'AND '\n",
" 'subclass LIKE \"%V%\" '\n",
"'AND '\n",
" 'subclass NOT LIKE \"%IV%\" '\n",
"'AND '\n",
" 'subclass NOT LIKE \"%VI%\" '\n",
"'AND '\n",
" 'type = 6')"
],
"language": "python",
"metadata": {},
"outputs": [],
"prompt_number": 4
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Y lanzamos el query a la base de datos (paciencia, puede tardar unos minutos):"
]
},
{
"cell_type": "code",
"collapsed": false,
"input": [
"df_V = SDSS_select(SQL_V)\n",
"df_V.shape"
],
"language": "python",
"metadata": {},
"outputs": [
{
"metadata": {},
"output_type": "pyout",
"prompt_number": 5,
"text": [
"(93061, 9)"
]
}
],
"prompt_number": 5
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Cambiamos el nombre de las columnas y echamos un vistazo"
]
},
{
"cell_type": "code",
"collapsed": false,
"input": [
"df_V.columns = ['objID','subclass','flags','zwarning','u','g','r','i','z']\n",
"df_V.head()"
],
"language": "python",
"metadata": {},
"outputs": [
{
"html": [
"