2026-10-23
automation.cermak.science/lectures/02-notebooks/presentation
In the year 2525
if man is still alive If woman can survive, they may find… your data
and check your nfpl242 homework
and evaluate all your measurements
Co udělají následující příkazy?
NameError: name 'a' is not defined
None
TypeError: 'a' is an invalid keyword argument for print()
False
1
Operátor přiřazení a vrácení hodnoty, walrus, mrož:
:= 🦭
Mrože hned použijeme při parsování hlavičky dat: if r := re.match(...)
Erwinova kočka žije
Teorie: NTIN071 Automaty a gramatiky
Praxe: NSWI177 Úvod do Linuxu
Fyzik: to bude něco na parsování…
AI regex napíše, vy ho ověřte: regex101.com

pd.read_csv() - mocná funkcedf.plot() - matplotlib, ale i jiné (plotly)
python -m venv .venv
.venv\Scripts\activate.bat # Windows
source .venv/bin/activate # Linux
pip freeze > requirements.txtrequirements.txt / environment.yml patří do gitu, prostředí pak zreprodukuje kolega, CI i AI.
Dnes ale doporučuji uv →
pip, venv, pip-tools, pipx i pyenv; 10-100× rychlejší než pippip install uv, nebo docs.astral.sh/uvuv init menza # nový projekt: pyproject.toml, .python-version, main.py, git
cd menza
uv add requests fpdf2 # přidá závislost, vytvoří .venv a uv.lock
uv run menza.py # spustí v prostředí projektu - žádná aktivace
uv sync # kolega / CI: přesně stejné prostředí z uv.lock
uv python install 3.12 # stáhne i samotný Python| soubor | co obsahuje | git? |
|---|---|---|
pyproject.toml |
co projekt potřebuje (requests>=2.32) |
ano |
uv.lock |
přesné verze všeho, i závislostí závislostí | ano |
.python-version |
verze Pythonu | ano |
.venv/ |
nainstalované balíčky | ne |
Přidá na začátek souboru:
uv run menza.py pak funguje kdekoli - uv si prostředí připraví sám.
uvx ruff check . - spustí nástroj bez instalaceuv pip install -r requirements.txt - starší projekty beze změnyuv run nepotřebuje aktivovat prostředí%timeit, %matplotlib, %run%%timeit! - jde přes systémový shell: Windows cmd.exe (!dir), Linux/macOS sh (!ls)['.gitignore', '01.dat', '02-notebooks.qmd', 'chat-regex.png', 'df.png', 'logbook.qmd', 'nb-workflow.jpg', 'references.bib', 'shapes.py', 'solution.py']
jupyter notebook
.ipynb je JSON, který obsahuje i výsledky (obrázky, výstupy)
.ipynb.py soubor se syntaxí cel # %%
Vytvořte nový soubor (Ctrl+Shift+P → New quarto document)
---
title: "Susceptibility measurement"
date: 2026-10-23
author:
- name: Petr Čermák
email: petr.cermak@matfyz.cuni.cz
url: https://cermak.science/
affiliation:
- name: Charles University
city: Prague
state: Czech republic
url: https://kfkl.mff.cuni.cz/
abstract: >
Ukázka měřícího protokolu.
keywords:
- Automation
- Physics
license: "CC 0"
title-block-banner: true
toc: true
number-sections: true
bibliography: references.bib
csl: ../aps.csl
highlight-style: pygments
format:
html:
code-fold: true
code-tools: true
pdf:
geometry:
- top=30mm
- left=30mm
jupyter: python3
---
# My super experiment
## Preparation
We have came to the room, glued the sample and started the measurement.| Knihovna | Hlavní vlastnosti | Výhody | Nevýhody |
|---|---|---|---|
| SciPy | Základcurve_fit |
Jednoduché (?) použití | Nelze snadno přidat omezení parametrů. |
| lmfit | Nadstavba nad SciPy s pokročilým rozhraním pro fitování. | Omezení a pevně dané parametry. | Větší overhead, u nelineárních někdy diverguje. |
| iminuit | Optimalizační knihovna založená na algoritmu Minuit (CERN). Gradientní sestupy, numerické odhady derivací | Rychlé a přesné fitování. Výborné pro nelineární a složité problémy, určuje chyby a korelace parametrů. |
- Vyžaduje více konfigurace. - Složitější pro začátečníky. |
# !python -m pip install iminuit
import numpy as np
import matplotlib.pyplot as plt
from iminuit import Minuit
from iminuit.cost import LeastSquares
# Funkce pro Gaussovu křivku
def gauss(x, A, mu, sigma):
return A * np.exp(-(x - mu) ** 2 / (2 * sigma ** 2))
np.random.seed(42) # Pro opakovatelnost výsledků
angles = np.linspace(-10, 10, 100)
true_sigma = 1.5 # Výsledek
params = [ (100, -3), # A, úhel
(150, 0),
(80, 3) ]# Generování dat a přidání šumu
data = []
for A, mu in params:
intensity = gauss(angles, A, mu, true_sigma) + np.random.normal(0, 5, angles.size)
data.append(intensity)
# Vizualizace generovaných dat
for intensity, (A, mu) in zip(data, params):
plt.plot() #???)
plt.xlabel('Úhel (°)')
plt.ylabel('Intenzita')
plt.legend()
plt.show()# Least squares cost function pro jednotlivé sady dat
def cost_func(A1, mu1, A2, mu2, A3, mu3, sigma):
# Každá sada dat je hodnocena zvlášť, ale sdílí stejnou sigma
chi2_1 = LeastSquares(angles, data[0], np.ones_like(data[0]) * 5, gauss)(A1, mu1, sigma)
chi2_2 = LeastSquares(angles, data[1], np.ones_like(data[1]) * 5, gauss)(A2, mu2, sigma)
chi2_3 = LeastSquares(angles, data[2], np.ones_like(data[2]) * 5, gauss)(A3, mu3, sigma)
return chi2_1 + chi2_2 + chi2_3 # Součet všech chi^2
# Inicializace Minuit s počátečními odhady parametrů
m = Minuit(cost_func, A1=100, mu1=-3, A2=150, mu2=0, A3=80, mu3=3, sigma=1)
# Fitování
m.migrad()
# Výstup výsledků
print(m.values)
print(f"Fitovaná šířka (sigma): {m.values['sigma']}")Nainstalujte extension Data Wrangler (prohlížení a úpravy dataframů)
% Total % Received % Xferd Average Speed Time Time Time Current
Dload Upload Total Spent Left Speed
0 0 0 0 0 0 0 0 --:--:-- --:--:-- --:--:-- 0100 32937 100 32937 0 0 190k 0 --:--:-- --:--:-- --:--:-- 190k
import pandas as pd
import re
pd.options.plotting.backend = "matplotlib"
header = {}
with open("01.dat", "r") as f:
for line in f:
if r := re.match(r'^INFO,([^,]*),([^,]*)$', line):
header[r[2].strip()] = r[1]
if line.strip() == "[Data]":
break
df = pd.read_csv(f, delimiter=",", index_col="Temperature (K)")
# otestujte:
# df.head()Filtrování dle času
Comment
Temperature (K)
25.928075 NaN \
27.034747 NaN
27.987122 NaN
28.978676 NaN
30.051740 NaN
... ...
297.021017 NaN
298.043718 sample offset = 34.54 mm touchdown = 9.3200001...
298.950699 NaN
299.989653 NaN
301.094157 NaN
Time Stamp (sec) Magnetic Field (Oe) Moment (emu)
Temperature (K)
25.928075 501.914716 2000.191002 0.000071 \
27.034747 511.185624 2000.191002 0.000072
27.987122 520.558571 2000.191002 0.000070
28.978676 522.824700 2000.191002 0.000071
30.051740 523.900309 2000.191002 0.000072
... ... ... ...
297.021017 1808.808241 2000.191002 0.000034
298.043718 1812.464221 2000.191002 0.000033
298.950699 1815.072137 2000.191002 0.000034
299.989653 1819.358787 2000.191002 0.000032
301.094157 1828.118167 2000.191002 0.000034
M. Std. Err. (emu)
Temperature (K)
25.928075 5.955311e-07
27.034747 6.088898e-07
27.987122 6.528519e-07
28.978676 6.465979e-07
30.051740 6.970362e-07
... ...
297.021017 3.088224e-07
298.043718 3.666648e-07
298.950699 3.654659e-07
299.989653 2.790489e-07
301.094157 3.216486e-07
[276 rows x 5 columns]
Nový sloupec Xi:
Magnetic Field (Oe) Moment (emu) Xi
Temperature (K)
1.894809 2000.191002 0.000067 0
3.078118 2000.191002 0.000070 0
4.010035 2000.191002 0.000068 0
5.069258 2000.191002 0.000070 0
5.995225 2000.191002 0.000069 0
vsm-graf) a naklonujte si hograf.qmd (Ctrl+Shift+P → Quarto: New Document), který načte 01.dat a zobrazí jen graf Moment (emu) v závislosti na teplotě:
quarto preview graf.qmd, pak quarto render graf.qmd.gitlab-ci.yml, který vyrenderuje oba formáty a uloží graf.html a graf.pdf jako artifacts---
title: "VSM měření"
format:
html:
embed-resources: true # jeden soubor
typst: default # PDF bez LaTeXu
jupyter: python3
---
::: {.content-visible when-format="html"}
```{python}
#| echo: false
pd.options.plotting.backend = "plotly"
df.plot(y="Moment (emu)")
```
:::
::: {.content-hidden when-format="html"}
```{python}
#| echo: false
pd.options.plotting.backend = "matplotlib"
df.plot(y="Moment (emu)")
```
:::Pro zadané m existuje takový obecný m-úhelník, který je n-úhelníku opsaný a jehož plocha je nejmenší možná.
shapes.py