ApJdataFrames Rebull 2016 a & b Extra analysis

Titles:
a.: Rotation in the Pleiades with K2: I. Data and First Results
b.: ROTATION IN THE PLEIADES WITH K2. II. MULTIPERIOD STARS

Authors: L. M. Rebull, J. R. Stauffer, J. Bouvier, A. M. Cody, L. A. Hillenbrand, et al.

Data is from this paper:
http://iopscience.iop.org/article/10.3847/0004-6256/152/5/114/meta


In [1]:
%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
pd.options.display.max_columns = 150

In [2]:
%config InlineBackend.figure_format = 'retina'

In [3]:
import astropy
from astropy.table import Table
from astropy.io import ascii
import numpy as np

In [4]:
df_abc = pd.read_csv('../data/Rebull2016/Rebull_Stauffer_merge.csv')

In [5]:
df_abc.head()


Out[5]:
EPIC Name_IAU RAdeg DEdeg Other Vmag Ksmag_R16 (V-K)0 Per1 Per2 Per3 Per4 Ampl LC memb Per_lit vsini Per_cat dd ddm shch beat cpeak resc resd dscu cloud Name_adopt Ksmag_S16 (V-K) Mass Mbol Radius Teff Delmag E(B-V)
0 210991540.0 033149.84+225024.8 52.95768 22.84023 UGCSJ033149.85+225024.4 NaN 12.75 5.10 0.5749 NaN NaN NaN 0.059 LC2 best 0.57 NaN single no no no no no no no no no UGCSJ033149.85+225024.4 12.74 5.10 0.37 9.62 0.34 3219.0 -0.64 NaN
1 211016313.0 033207.85+231357.5 53.03274 23.23265 DH017 NaN 12.25 5.05 0.3193 NaN NaN NaN 0.056 LC1 best NaN NaN single no no no no no no no no no DH017 12.24 5.05 0.38 9.12 0.42 3234.0 -0.22 NaN
2 211029135.0 033237.80+232559.3 53.15753 23.43315 UGCSJ033237.82+232559.0 NaN 13.06 5.76 0.2860 NaN NaN NaN 0.032 LC4 best NaN NaN single yes no no no no no no no no UGCSJ033237.82+232559.0 13.05 5.76 0.21 9.97 0.33 3029.0 0.15 NaN
3 211037397.0 033242.30+233400.4 53.17625 23.56679 DH022 NaN 12.54 5.58 0.4990 0.3167 NaN NaN 0.023 LC1 best NaN NaN multi no no no no no yes no no no DH022 12.53 5.58 0.23 9.44 0.41 3075.0 0.54 NaN
4 210946764.0 033305.82+220803.2 53.27427 22.13423 PELS004 11.36 9.43 1.82 5.7660 NaN NaN NaN 0.011 LC4 best NaN NaN single no no yes no no no no no no PELS004 9.42 1.82 0.98 5.36 0.87 5355.0 -0.11 NaN

Import the Fang et al. 2016 data


In [6]:
tab1 = pd.read_fwf('../data/Fang2016/Table_1+4_online.dat', na_values=['-99.00000000', '-9999.0', '99.000, 99.0'])
df = tab1.rename(columns={'#             Object_name':'Object_name'})

In [7]:
df.head()


Out[7]:
Object_name Vmag rmag Icmag Kmag T_VI T_VK T_rK T_IK Period A_r R_o Tspec RV EWHa D_EWHa TiO2n D_TiO2n TiO5n D_TiO5n Tquiet fs1 Tspot1 fs2 Tspot2 multi Flag RAJ2000 DEJ2000
0 Cl* Melotte 22 AK III-391 11.308 11.059 10.448 9.388 5537.03 5450.10 5404.59 5386.09 NaN NaN NaN 5672.62 6.15 -1.9081 -0.0755 0.9722 -0.0099 0.9400 -0.0151 5672.62 0.326 3515.0 0.300 3595.0 0 1-1-6-0-0 54.004112 24.266083
1 Cl* Melotte 22 PELS 189 12.262 11.883 11.197 9.903 5015.07 4984.99 4986.26 4960.15 7.410650 0.0159 0.38243 5072.62 3.26 -0.9870 0.1472 0.9820 0.0025 0.9430 -0.0071 5015.07 0.000 NaN 0.109 3595.0 0 1-1-1-0-0 54.126263 24.012226
2 Cl* Melotte 22 AK II-359 10.579 10.458 9.840 9.021 5942.01 5940.74 5790.09 5939.64 NaN NaN NaN 6096.49 -0.55 -2.1853 0.0696 0.9838 -0.0010 0.9571 -0.0014 6096.49 0.057 3545.0 0.048 3615.0 0 1-1-6-0-0 54.395443 24.236599
3 Cl* Melotte 22 PELS 015 10.065 10.095 9.420 8.696 6231.92 6225.49 5858.16 6219.78 2.295334 0.0263 0.19851 6046.38 9.11 -2.1156 0.2509 0.9857 0.0002 0.9508 -0.0084 6231.92 0.000 NaN 0.242 3605.0 0 1-1-1-0-0 54.594090 22.499697
4 Cl* Melotte 22 PELS 020 10.510 10.337 9.794 9.041 6013.46 6069.36 6049.97 6127.06 2.986199 0.0087 0.23344 5942.67 4.15 -2.0060 0.1746 0.9845 0.0003 0.9535 -0.0043 6013.46 0.000 NaN 0.125 3610.0 0 1-1-1-0-0 54.736942 24.569799

In [8]:
df.Object_name.values[0:30]


Out[8]:
array(['Cl* Melotte 22 AK III-391', 'Cl* Melotte 22 PELS 189',
       'Cl* Melotte 22 AK II-359', 'Cl* Melotte 22 PELS 015',
       'Cl* Melotte 22 PELS 020', 'Cl* Melotte 22 PELS 128',
       'Cl* Melotte 22 PELS 138', 'Cl* Melotte 22 PELS 012',
       'Cl* Melotte 22 AK III-700', 'Cl* Melotte 22 HCG 39',
       'Cl* Melotte 22 DH 166', 'Cl* Melotte 22 DH 176',
       'Cl* Melotte 22 HCG 65', 'Cl* Melotte 22 PELS 028',
       'Cl* Melotte 22 SK687', 'Cl* Melotte 22 SK671',
       'Cl* Melotte 22 HCG 85', 'Cl* Melotte 22 PELS 030',
       'Cl* Melotte 22 DH 249', 'Cl* Melotte 22 DH 257',
       'Cl* Melotte 22 PELS 031', 'Cl Melotte 22 97', 'Cl Melotte 22 174',
       'Cl Melotte 22 173', 'Cl Melotte 22 248', 'Cl Melotte 22 253',
       'Cl Melotte 22 250', 'Cl* Melotte 22 PELS 059', 'Cl Melotte 22 296',
       'Cl Melotte 22 293'], dtype=object)

Ugh, the naming convention is non-standard in a way that is likely more work than it's worth to try to match to other catalogs. Whyyyyyyyyy.

Try full-blown coordinate matching

From astropy: http://docs.astropy.org/en/stable/coordinates/matchsep.html


In [9]:
ra1 = df.RAJ2000
dec1 = df.DEJ2000

ra2 = df_abc.RAdeg
dec2 = df_abc.DEdeg

In [10]:
from astropy.coordinates import SkyCoord
from astropy import units as u
c = SkyCoord(ra=ra1*u.degree, dec=dec1*u.degree)  
catalog = SkyCoord(ra=ra2*u.degree, dec=dec2*u.degree)  
idx, d2d, d3d = c.match_to_catalog_sky(catalog)

In [11]:
plt.figure(figsize=(10,10))
plt.plot(ra1, dec1, '.', alpha=0.3)
plt.plot(ra2, dec2, '.', alpha=0.3)


Out[11]:
[<matplotlib.lines.Line2D at 0xa216b0208>]

In [12]:
plt.hist(d2d.to(u.arcsecond)/u.arcsecond, bins=np.arange(0,3, 0.1));
plt.yscale('log')
plt.axvline(x=0.375,color='r', linestyle='dashed')


Out[12]:
<matplotlib.lines.Line2D at 0xa257d9b00>

Ok, we'll accept all matches with better than 0.375 arcsecond separation.


In [13]:
boolean_matches = d2d.to(u.arcsecond).value < 0.375

How many matches are there?


In [14]:
boolean_matches.sum()


Out[14]:
120

120 matches--- not bad. Only keep the subset of fang sources that also have K2


In [15]:
df['EPIC'] = ''

In [16]:
matched_idx = idx[boolean_matches]

In [17]:
matched_idx


Out[17]:
array([ 16,  24,  44,  55,  63,  99, 111, 112, 124, 156, 158, 165, 169,
       174, 178, 180, 185, 208, 257, 300, 310, 311, 315, 321, 325, 328,
       330, 336, 342, 344, 348, 360, 370, 407, 413, 420, 422, 436, 447,
       457, 458, 462, 478, 502, 511, 519, 568, 587, 591, 651, 666, 680,
       712, 727, 706, 670,  43,  58,  67,  78,  86,  90,  89, 100, 115,
       120, 121, 136, 142, 146, 160, 163, 171, 184, 187, 198, 209, 233,
       239, 246, 261, 272, 279, 291, 306, 316, 343, 364, 378, 385, 468,
       470, 475, 505, 506, 509, 513, 522, 543, 564, 601, 607, 626, 633,
       690, 699, 703, 704, 716, 723,  25,  96, 108, 118, 145, 235, 285,
       338, 654, 715])

In [18]:
df.shape, df_abc.shape


Out[18]:
((304, 30), (759, 36))

In [19]:
idx.shape


Out[19]:
(304,)

In [20]:
df['EPIC'][boolean_matches] = df_abc['EPIC'].iloc[matched_idx].values


/Users/obsidian/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:1: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  """Entry point for launching an IPython kernel.

In [21]:
fang_K2 = pd.merge(df_abc, df, how='left', on='EPIC')

In [22]:
fang_K2.columns


Out[22]:
Index(['EPIC', 'Name_IAU', 'RAdeg', 'DEdeg', 'Other', 'Vmag_x', 'Ksmag_R16',
       '(V-K)0', 'Per1', 'Per2', 'Per3', 'Per4', 'Ampl', 'LC', 'memb',
       'Per_lit', 'vsini', 'Per_cat', 'dd', 'ddm', 'shch', 'beat', 'cpeak',
       'resc', 'resd', 'dscu', 'cloud', 'Name_adopt', 'Ksmag_S16', '(V-K)',
       'Mass', 'Mbol', 'Radius', 'Teff', 'Delmag', 'E(B-V)', 'Object_name',
       'Vmag_y', 'rmag', 'Icmag', 'Kmag', 'T_VI', 'T_VK', 'T_rK', 'T_IK',
       'Period', 'A_r', 'R_o', 'Tspec', 'RV', 'EWHa', 'D_EWHa', 'TiO2n',
       'D_TiO2n', 'TiO5n', 'D_TiO5n', 'Tquiet', 'fs1', 'Tspot1', 'fs2',
       'Tspot2', 'multi', 'Flag', 'RAJ2000', 'DEJ2000'],
      dtype='object')

In [23]:
fang_K2[['Name_adopt', 'Object_name']][fang_K2.Object_name.notnull()].tail(10)


Out[23]:
Name_adopt Object_name
690 HCG502 Cl* Melotte 22 HCG 502
699 SK22 Cl* Melotte 22 SK22
703 SK17 Cl* Melotte 22 SK17
704 SK18 Cl* Melotte 22 SK18
706 s5061696 J035647.81+224608.0
712 PELS162 Cl* Melotte 22 PELS 162
715 HHJ439 Cl* Melotte 22 HHJ 439
716 DH856 Cl* Melotte 22 DH 856
723 HHJ366 Cl* Melotte 22 HHJ 366
727 DH875 Cl* Melotte 22 DH 875

In [26]:
fang_K2.to_csv('../data/Fang2016/Rebull_Fang_merge.csv', index=False)

In [27]:
fang_K2


Out[27]:
EPIC Name_IAU RAdeg DEdeg Other Vmag_x Ksmag_R16 (V-K)0 Per1 Per2 Per3 Per4 Ampl LC memb Per_lit vsini Per_cat dd ddm shch beat cpeak resc resd dscu cloud Name_adopt Ksmag_S16 (V-K) Mass Mbol Radius Teff Delmag E(B-V) Object_name Vmag_y rmag Icmag Kmag T_VI T_VK T_rK T_IK Period A_r R_o Tspec RV EWHa D_EWHa TiO2n D_TiO2n TiO5n D_TiO5n Tquiet fs1 Tspot1 fs2 Tspot2 multi Flag RAJ2000 DEJ2000
0 2.10992e+08 033149.84+225024.8 52.95768 22.84023 UGCSJ033149.85+225024.4 NaN 12.75 5.10 0.5749 NaN NaN NaN 0.059 LC2 best 0.57 NaN single no no no no no no no no no UGCSJ033149.85+225024.4 12.74 5.10 0.37 9.62 0.34 3219.0 -0.64 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
1 2.11016e+08 033207.85+231357.5 53.03274 23.23265 DH017 NaN 12.25 5.05 0.3193 NaN NaN NaN 0.056 LC1 best NaN NaN single no no no no no no no no no DH017 12.24 5.05 0.38 9.12 0.42 3234.0 -0.22 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
2 2.11029e+08 033237.80+232559.3 53.15753 23.43315 UGCSJ033237.82+232559.0 NaN 13.06 5.76 0.2860 NaN NaN NaN 0.032 LC4 best NaN NaN single yes no no no no no no no no UGCSJ033237.82+232559.0 13.05 5.76 0.21 9.97 0.33 3029.0 0.15 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
3 2.11037e+08 033242.30+233400.4 53.17625 23.56679 DH022 NaN 12.54 5.58 0.4990 0.3167 NaN NaN 0.023 LC1 best NaN NaN multi no no no no no yes no no no DH022 12.53 5.58 0.23 9.44 0.41 3075.0 0.54 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
4 2.10947e+08 033305.82+220803.2 53.27427 22.13423 PELS004 11.36 9.43 1.82 5.7660 NaN NaN NaN 0.011 LC4 best NaN NaN single no no yes no no no no no no PELS004 9.42 1.82 0.98 5.36 0.87 5355.0 -0.11 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
5 2.11002e+08 033313.90+230023.2 53.30793 23.00647 PELS123 11.98 9.67 2.20 7.6495 6.9112 NaN NaN 0.028 LC3 best 7.07 NaN multi no no no yes yes yes no no no PELS123 9.66 2.20 0.88 5.84 0.81 4963.0 0.01 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
6 2.10998e+08 033349.79+225620.0 53.45748 22.93891 DH031 NaN 13.29 5.21 0.3744 NaN NaN NaN 0.037 LC2 ok NaN NaN single no no no no no no no no no DH031 13.28 5.21 0.34 10.16 0.27 3184.0 -0.99 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
7 2.1099e+08 033419.35+224842.4 53.58063 22.81180 DH034 NaN 13.93 6.39 0.7130 NaN NaN NaN 0.033 LC1 best NaN NaN single no no no no no no no no no DH034 13.92 6.39 0.14 10.90 0.23 2898.0 -0.07 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
8 2.10943e+08 033454.93+220446.6 53.72890 22.07963 DH040 16.17 11.57 4.49 0.8275 NaN NaN NaN 0.021 LC2 best 0.83 NaN single yes no no no no no no no no DH040 11.56 4.49 0.50 8.39 0.52 3445.0 -0.22 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
9 2.11052e+08 033516.25+234758.1 53.81775 23.79950 DH044 NaN 13.19 5.81 0.4725 NaN NaN NaN 0.038 LC1 best NaN NaN single no no no no no no no no no DH044 13.18 5.81 0.20 10.10 0.31 3016.0 0.08 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
10 2.10991e+08 033531.68+224925.0 53.88203 22.82362 PELS124 9.86 8.54 1.21 2.7953 1.4205 3.3298 NaN 0.005 LC1 best NaN 20.5 multi no no no yes yes yes yes no no PELS124 8.53 1.21 1.24 4.01 1.18 6278.0 -0.05 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
11 2.10967e+08 033544.25+222710.0 53.93439 22.45278 DH047 NaN 12.02 4.80 1.8867 NaN NaN NaN 0.017 LC1 ok NaN NaN single no no no no no no no no no DH047 12.01 4.80 0.42 8.87 0.45 3322.0 -0.24 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
12 2.10964e+08 033546.39+222450.0 53.94331 22.41391 UGCSJ033546.40+222449.6 NaN 13.27 5.70 0.4939 NaN NaN NaN 0.026 LC1 best NaN NaN single no no no no no no no no no UGCSJ033546.40+222449.6 13.26 5.70 0.22 10.18 0.29 3043.0 -0.10 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
13 2.10817e+08 033548.22+200743.3 53.95093 20.12871 NaN NaN 11.96 5.15 0.6623 NaN NaN NaN 0.054 LC1 ok NaN NaN single no no no no no no no no no NaN 11.95 5.15 0.35 8.83 0.49 3201.0 0.23 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
14 2.11052e+08 033611.05+234823.4 54.04608 23.80651 DH053 NaN 13.08 5.69 0.5490 NaN NaN NaN 0.063 LC1 best NaN NaN single no no no no no no no no no DH053 13.07 5.69 0.22 9.98 0.32 3046.0 0.08 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
15 2.10978e+08 033624.31+223725.6 54.10133 22.62379 DH056 14.14 10.56 3.47 11.1805 NaN NaN NaN 0.015 LC4 best 11.28 NaN single no no yes no no no no no no DH056 10.55 3.47 0.66 7.21 0.68 3950.0 -0.01 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
16 2.11065e+08 033630.30+240043.9 54.12626 24.01222 PELS189 12.26 9.90 2.25 7.5510 NaN NaN NaN 0.035 LC3 best 7.41 NaN single no no no yes no no no no no PELS189 9.89 2.25 0.87 6.09 0.75 4895.0 -0.18 NaN Cl* Melotte 22 PELS 189 12.262 11.883 11.197 9.903 5015.07 4984.99 4986.26 4960.15 7.410650 0.0159 0.38243 5072.62 3.26 -0.9870 0.1472 0.9820 0.0025 0.9430 -0.0071 5015.07 0.000 NaN 0.109 3595.0 0.0 1-1-1-0-0 54.126263 24.012226
17 2.11011e+08 033638.39+230844.4 54.15996 23.14569 DH060 NaN 13.27 5.84 0.3040 NaN NaN NaN 0.036 LC1 best NaN NaN single no no no no no no no no no DH060 13.26 5.84 0.20 10.19 0.30 3010.0 0.05 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
18 2.1094e+08 033644.10+220139.1 54.18378 22.02753 DH063 NaN 12.92 6.07 0.7270 0.7903 NaN NaN 0.015 LC1 best NaN NaN multi yes no no no no yes no no no DH063 12.91 6.07 0.17 9.85 0.36 2958.0 0.66 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
19 2.11013e+08 033716.51+231104.5 54.31882 23.18460 HHJ179 NaN 12.55 5.30 0.4487 NaN NaN NaN 0.030 LC1 best NaN NaN single yes no no no no no no no no HHJ179 12.54 5.30 0.31 9.43 0.38 3156.0 -0.11 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
20 2.10961e+08 033724.04+222103.5 54.35020 22.35098 PELS003 9.22 7.90 1.21 3.3876 NaN NaN NaN 0.011 LC1 best NaN NaN single no no yes yes no no no no no PELS003 7.89 1.21 1.24 3.38 1.56 6320.0 0.59 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
21 2.11013e+08 033737.07+231058.1 54.40448 23.18281 UGCSJ033737.08+231057.8 NaN 12.81 5.33 0.3580 NaN NaN NaN 0.063 LC1 best NaN NaN single no no no no no no no no no UGCSJ033737.08+231057.8 12.80 5.33 0.30 9.69 0.34 3147.0 -0.30 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
22 2.10957e+08 033741.34+221719.4 54.42226 22.28872 UGCSJ033741.35+221718.9 NaN 13.07 5.85 0.5602 NaN NaN NaN 0.029 LC1 best NaN NaN single no no no no no no no no no UGCSJ033741.35+221718.9 13.06 5.85 0.20 9.99 0.33 3006.0 0.27 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
23 2.11026e+08 033756.40+232256.9 54.48504 23.38248 HHJ268 NaN 12.07 4.98 0.8969 NaN NaN NaN 0.013 LC1 best NaN NaN single no no no no no no no no no HHJ268 12.06 4.98 0.39 8.93 0.46 3258.0 -0.11 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
24 2.1097e+08 033822.58+222958.8 54.59409 22.49969 PELS015 10.06 8.70 1.25 2.1116 2.2119 NaN NaN 0.019 LC2 best 2.30 24.4 multi no no no yes yes yes no no no PELS015 8.69 1.25 1.22 4.21 1.11 6189.0 -0.15 NaN Cl* Melotte 22 PELS 015 10.065 10.095 9.420 8.696 6231.92 6225.49 5858.16 6219.78 2.295334 0.0263 0.19851 6046.38 9.11 -2.1156 0.2509 0.9857 0.0002 0.9508 -0.0084 6231.92 0.000 NaN 0.242 3605.0 0.0 1-1-1-0-0 54.594090 22.499697
25 2.11008e+08 033823.37+230629.1 54.59741 23.10811 HHJ418 15.25 11.04 4.10 3.7479 NaN NaN NaN 0.032 LC2 best 3.77 NaN single no no no no no no no no no HHJ418 11.03 4.10 0.56 7.81 0.62 3617.0 0.00 NaN Cl* Melotte 22 HHJ 418 15.246 14.504 13.114 11.036 3667.90 3656.66 3750.10 3635.05 3.766824 0.0868 0.10943 3658.38 10.87 2.5098 2.5703 0.7660 -0.0538 0.6655 -0.0062 3667.90 0.415 3055.0 0.060 3207.5 0.0 1-2-1-1-1 54.597412 23.108112
26 2.10804e+08 033910.20+195531.0 54.79251 19.92528 UGCSJ033910.21+195530.5 NaN 12.21 5.27 1.7999 NaN NaN NaN 0.013 LC1 best NaN NaN single no no no no no no no no no UGCSJ033910.21+195530.5 12.20 5.27 0.32 9.09 0.45 3164.0 0.19 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
27 2.11081e+08 033932.31+241601.3 54.88464 24.26705 BPL2 NaN 12.20 5.24 0.7200 NaN NaN NaN 0.034 LC1 best 0.72 NaN single no no no no no no no no no BPL2 12.19 5.24 0.33 9.08 0.45 3175.0 0.15 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
28 2.11058e+08 033942.71+235427.9 54.92796 23.90776 HCG22 17.90 12.41 5.38 0.7734 NaN NaN NaN 0.039 LC1 best NaN NaN single no no no no no no no no no HCG22 12.40 5.38 0.29 9.96 0.22 3702.0 0.21 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
29 2.10946e+08 033944.17+220745.8 54.93408 22.12941 DH111 NaN 11.89 4.71 1.0810 NaN NaN NaN 0.042 LC1 best NaN NaN single no no no no no no no no no DH111 11.88 4.71 0.44 8.73 0.47 3355.0 -0.22 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
729 2.11009e+08 035927.52+230725.6 59.86470 23.12379 DH877 13.38 10.13 3.14 0.4423 NaN NaN NaN 0.072 LC1 best NaN NaN single no no yes no no no no no no DH877 10.12 3.14 0.72 6.69 0.79 4156.0 0.17 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
730 2.10892e+08 035931.45+211618.8 59.88105 21.27190 DH879 NaN 11.84 5.00 0.7319 NaN NaN NaN 0.033 LC1 best NaN NaN single no no no no no no no no no DH879 11.83 5.00 0.39 8.70 0.51 3252.0 0.10 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
731 2.10933e+08 035939.83+215428.1 59.91596 21.90782 NaN NaN 11.77 4.92 4.0454 NaN NaN NaN 0.056 LC2 best NaN NaN single no no no no no no no no no NaN 11.76 4.92 0.40 8.63 0.52 3280.0 0.12 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
732 2.10888e+08 035942.65+211215.3 59.92773 21.20427 UGCSJ035942.66+211214.8 NaN 13.03 5.98 0.5470 NaN NaN NaN 0.084 LC1 ok NaN NaN single no no no no no no no no no UGCSJ035942.66+211214.8 13.02 5.98 0.18 9.96 0.34 2977.0 0.46 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
733 2.10944e+08 035959.84+220529.7 59.99935 22.09159 DH884 NaN 12.91 5.27 0.5733 NaN NaN NaN 0.019 LC1 ok NaN NaN single no no no no no no no no no DH884 12.90 5.27 0.32 9.79 0.32 3165.0 -0.51 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
734 2.10941e+08 040010.28+220217.4 60.04284 22.03819 DH888 NaN 12.52 5.39 0.5797 NaN NaN NaN 0.033 LC1 best NaN NaN single yes no no no no no no no no DH888 12.51 5.39 0.28 9.41 0.40 3129.0 0.13 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
735 2.11128e+08 040015.85+250146.5 60.06605 25.02960 NaN NaN 11.69 4.95 2.7078 NaN NaN NaN 0.029 LC1 best 0.18 NaN single no no no no no no no no no NaN 11.68 4.95 0.40 8.55 0.54 3268.0 0.23 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
736 2.11029e+08 040026.13+232617.7 60.10891 23.43825 DH891 NaN 11.96 5.53 0.4124 NaN NaN NaN 0.042 LC1 best NaN NaN single no no no no no no no no no DH891 11.95 5.53 0.23 8.85 0.52 3090.0 1.06 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
737 2.1103e+08 040040.23+232654.2 60.16766 23.44842 UGCSJ040040.25+232653.8 NaN 12.79 5.89 0.1296 NaN NaN NaN 0.019 LC1 best NaN NaN single no no no no no no no no no UGCSJ040040.25+232653.8 12.78 5.89 0.19 9.71 0.38 2998.0 0.60 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
738 2.11014e+08 040053.11+231138.0 60.22132 23.19391 PELS173 9.60 8.49 1.00 1.3944 0.1069 NaN NaN 0.001 LC1 best NaN 36.7 multi yes no no no no no yes no no PELS173 8.48 1.00 1.37 3.78 1.14 6725.0 -0.40 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
739 2.10833e+08 040104.12+202221.7 60.26719 20.37270 DH896 15.47 10.91 4.45 5.3682 NaN NaN NaN 0.025 LC1 ok NaN NaN single no no no no no no no no no DH896 10.90 4.45 0.51 7.73 0.70 3461.0 0.38 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
740 2.1095e+08 040111.35+221038.3 60.29731 22.17732 UGCSJ040111.36+221037.8 NaN 13.12 5.66 0.2419 NaN NaN NaN 0.024 LC1 best NaN NaN single no no no no no no no no no UGCSJ040111.36+221037.8 13.11 5.66 0.22 10.02 0.31 3054.0 0.02 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
741 2.11013e+08 040113.97+231030.2 60.30823 23.17506 DH899 NaN 12.03 4.95 1.5063 NaN NaN NaN 0.097 LC2 best NaN NaN single no no no no no no no no no DH899 12.02 4.95 0.40 8.89 0.46 3271.0 -0.12 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
742 2.10913e+08 040126.03+213508.9 60.35850 21.58582 DH900 NaN 12.26 5.20 1.1983 NaN NaN NaN 0.047 LC1 best NaN NaN single no no no no no no no no no DH900 12.25 5.20 0.34 9.14 0.43 3188.0 0.03 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
743 2.10949e+08 040149.15+221005.4 60.45483 22.16818 DH901 NaN 12.24 5.18 0.5601 NaN NaN NaN 0.040 LC1 best NaN NaN single no no no no no no no no no DH901 12.23 5.18 0.34 9.11 0.44 3194.0 0.03 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
744 2.11001e+08 040150.94+225915.9 60.46225 22.98777 UGCSJ040150.95+225915.5 NaN 13.87 7.05 0.2352 NaN NaN NaN 0.033 LC1 best NaN NaN single no no no no no no no no no UGCSJ040150.95+225915.5 13.86 7.05 0.09 NaN NaN NaN 0.54 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
745 2.11111e+08 040155.85+244402.6 60.48271 24.73407 UGCSJ040155.85+244402.3 NaN 12.35 5.42 0.5678 NaN NaN NaN 0.049 LC1 best 0.57 NaN single no no no no no no no no no UGCSJ040155.85+244402.3 12.34 5.42 0.27 9.24 0.43 3121.0 0.37 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
746 2.11011e+08 040234.77+230828.6 60.64488 23.14130 UGCSJ040234.77+230828.4 NaN 12.78 5.20 0.7557 NaN NaN NaN 0.556 LC3 best NaN NaN single no no no no no no no no no UGCSJ040234.77+230828.4 12.77 5.20 0.34 9.65 0.34 3186.0 -0.48 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
747 2.11034e+08 040249.96+233038.8 60.70820 23.51078 DH904 NaN 12.06 4.89 1.1256 NaN NaN NaN 0.018 LC1 best NaN NaN single no no no no no no no no no DH904 12.05 4.89 0.41 8.91 0.45 3290.0 -0.21 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
748 2.11058e+08 040343.83+235347.3 60.93263 23.89650 DH909 NaN 12.20 5.73 0.2775 0.3514 NaN NaN 0.030 LC1 best NaN NaN multi no no no no no yes no no yes DH909 12.19 5.73 0.21 9.11 0.48 3036.0 0.99 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
749 2.11047e+08 040349.55+234314.1 60.95649 23.72061 DH910 NaN 13.00 5.35 0.3081 NaN NaN NaN 0.017 LC1 ok NaN NaN single no no no no no no no no no DH910 12.99 5.35 0.30 9.88 0.32 3140.0 -0.45 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
750 2.10839e+08 040408.43+202809.8 61.03515 20.46941 s4830655 NaN 10.86 4.30 3.4652 NaN NaN NaN 0.021 LC2 best NaN NaN single no no no no no no no no no s4830655 10.85 4.30 0.53 7.66 0.70 3526.0 0.34 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
751 2.10941e+08 040434.78+220246.6 61.14493 22.04630 UGCSJ040434.79+220246.2 NaN 12.53 5.42 0.7516 NaN NaN NaN 0.011 LC1 best NaN NaN single no no no no no no no no no UGCSJ040434.79+220246.2 12.52 5.42 0.28 9.42 0.40 3120.0 0.19 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
752 2.10958e+08 040513.70+221818.6 61.30712 22.30519 DH914 NaN 12.41 5.80 0.2252 0.2157 NaN NaN 0.017 LC1 best NaN NaN multi no no no no no yes no no no DH914 12.40 5.80 0.21 9.32 0.44 3019.0 0.84 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
753 2.10976e+08 040550.07+223554.2 61.45863 22.59841 UGCSJ040550.08+223553.8 NaN 12.53 4.91 22.1411 NaN NaN NaN 0.067 LC3 ok NaN NaN single no no no no no no no no no UGCSJ040550.08+223553.8 12.52 4.91 0.41 9.39 0.36 3285.0 -0.66 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
754 2.10977e+08 040628.53+223700.0 61.61890 22.61669 UGCSJ040628.54+223659.6 NaN 12.12 5.27 5.2158 NaN NaN NaN 0.024 LC2 best NaN NaN single yes no no no no no no no no UGCSJ040628.54+223659.6 12.11 5.27 0.32 9.00 0.47 3166.0 0.28 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
755 2.10974e+08 040629.97+223343.8 61.62488 22.56219 DH916 NaN 12.31 5.98 0.5444 0.7642 NaN NaN 0.047 LC2 ok NaN NaN multi no no no no no yes no no no DH916 12.30 5.98 0.18 9.24 0.47 2978.0 1.18 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
756 2.10941e+08 040656.02+220204.9 61.73343 22.03470 s5021891 NaN 10.83 4.25 1.4102 NaN NaN NaN 0.034 LC1 best NaN NaN single yes no no no no no no no no s5021891 10.82 4.25 0.53 7.62 0.70 3546.0 0.33 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
757 2.10876e+08 040749.07+210105.7 61.95449 21.01827 NaN NaN 11.85 4.71 0.1537 NaN NaN NaN 0.023 LC1 best NaN NaN single no no no no no no no no no NaN 11.84 4.71 0.44 8.69 0.48 3355.0 -0.18 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
758 2.11052e+08 041003.79+234843.9 62.51583 23.81220 s5258893 NaN 10.92 3.97 6.7602 NaN NaN NaN 0.065 LC4 best NaN NaN single no no yes no no no no no no s5258893 10.91 3.97 0.58 7.67 0.64 3680.0 0.02 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN

759 rows × 65 columns

Great correspondence! Looks like there are 120 targets in both categories.

Let's spot-check if they use similar temperatures:


In [24]:
plt.figure(figsize=(7, 7))
plt.plot(fang_K2.Teff, fang_K2.Tspec, 'o')
plt.xlabel(r'$T_{\mathrm{eff}}$ Stauffer et al. 2016')
plt.ylabel(r'$T_{\mathrm{spec}}$ Fang et al. 2016')
plt.plot([3000, 6300], [3000, 6300], 'k--')
plt.ylim(3000, 6300)
plt.xlim(3000, 6300);


What's the scatter?


In [25]:
delta_Tspec = fang_K2.Teff - fang_K2.Tspec
delta_Tspec = delta_Tspec.dropna()
RMS_Tspec = np.sqrt((delta_Tspec**2.0).sum()/len(delta_Tspec))
print('{:0.0f}'.format(RMS_Tspec))


101

The authors disagree on temperature by about $\delta T \sim$ 100 K RMS.

Let's make the figure we really want to make: K2 Amplitude versus spectroscopically measured filling factor of starspots $f_{spot}$. We expect that the plot will be a little noisy due to differences in temperature assumptions and such, but it is absolutely fundamental.

First we need to convert the amplitude in magnitudes to a faction $\in [0,1]$. The $\Delta V$ in Stauffer et al. 2016 has negative values, so I'm not sure what it is! The Ampl from Rebull et al. 2016 is:

Amplitude, in mag, of the 10th to the 90th percentile


In [59]:
fang_K2['flux_amp'] = 1.0 - 10**(fang_K2.Ampl/-2.5)

In [60]:
plt.hist(fang_K2.flux_amp, bins=np.arange(0, 0.15, 0.005));



In [61]:
plt.hist(fang_K2.fs1.dropna(), bins=np.arange(0, 0.8, 0.03));



In [62]:
sns.set_context('talk')

In [63]:
plt.figure(figsize=(7, 7))
plt.plot(fang_K2.fs1, fang_K2.flux_amp, '.')
plt.plot([0,1], [0,1], 'k--')
plt.xlim(0.0,0.2)
plt.ylim(0,0.2)
plt.xlabel('LAMOST-measured $f_{spot}$ \n Fang et al. 2016')
plt.ylabel('K2-measured spot amplitude $A \in [0,1)$ \n Rebull et al. 2016')
plt.xticks(np.arange(0, 0.21, 0.05))
plt.yticks(np.arange(0, 0.21, 0.05))
plt.savefig('K2_LAMOST_starspots_data.png', bbox_inches='tight', dpi=300);



In [64]:
plt.figure(figsize=(7, 7))
plt.plot(fang_K2.fs1, fang_K2.flux_amp, '.')
plt.plot([0,1], [0,1], 'k--')
plt.xlim(0.0,0.5)
plt.ylim(0,0.5)
plt.xlabel('LAMOST-measured $f_{spot}$ \n Fang et al. 2016')
plt.ylabel('K2-measured spot amplitude $A \in [0,1)$ \n Rebull et al. 2016')
plt.xticks(np.arange(0, 0.51, 0.1))
plt.yticks(np.arange(0, 0.51, 0.1))
plt.savefig('K2_LAMOST_starspots_wide.png', bbox_inches='tight', dpi=300);


Awesome! The location of points indicate that starspots have a large longitudinally-symmetric component that evades detection in K2 amplitudes.

What effects can cause / mimic this behavior?

  • Unresolved binarity could cause an errant TiO measurement, biasing the Fang et al. measurement.
  • Increased rotation (Rossby number) could make stronger or weaker dipolar magnetic fields
  • EW H$\alpha$ could be correlated, from an activity sense.

In [65]:
fang_K2.columns


Out[65]:
Index(['EPIC', 'Name_IAU', 'RAdeg', 'DEdeg', 'Other', 'Vmag_x', 'Ksmag_R16',
       '(V-K)0', 'Per1', 'Per2', 'Per3', 'Per4', 'Ampl', 'LC', 'memb',
       'Per_lit', 'vsini', 'Per_cat', 'dd', 'ddm', 'shch', 'beat', 'cpeak',
       'resc', 'resd', 'dscu', 'cloud', 'Name_adopt', 'Ksmag_S16', '(V-K)',
       'Mass', 'Mbol', 'Radius', 'Teff', 'Delmag', 'E(B-V)', 'Object_name',
       'Vmag_y', 'rmag', 'Icmag', 'Kmag', 'T_VI', 'T_VK', 'T_rK', 'T_IK',
       'Period', 'A_r', 'R_o', 'Tspec', 'RV', 'EWHa', 'D_EWHa', 'TiO2n',
       'D_TiO2n', 'TiO5n', 'D_TiO5n', 'Tquiet', 'fs1', 'Tspot1', 'fs2',
       'Tspot2', 'multi', 'Flag', 'RAJ2000', 'DEJ2000', 'flux_amp'],
      dtype='object')

In [66]:
fang_K2.beat.value_counts()


Out[66]:
no     624
yes    135
Name: beat, dtype: int64

Crosstabs with discreate variables: Legend


In [67]:
plt.figure(figsize=(7, 7))
cross_tab = 'resc'
c1 = fang_K2[cross_tab] == 'yes'
c2 = fang_K2[cross_tab] == 'no'
plt.plot(fang_K2.fs1[c1], fang_K2.flux_amp[c1], 'r.', label='{} = yes'.format(cross_tab))
plt.plot(fang_K2.fs1[c2], fang_K2.flux_amp[c2], 'b.', label='{} = no'.format(cross_tab))

plt.legend(loc='best')

plt.plot([0,1], [0,1], 'k--')
plt.xlim(-0.01,0.8)
plt.ylim(0,0.15)
plt.xlabel('LAMOST-measured $f_{spot}$ \n Fang et al. 2016')
plt.ylabel('K2-measured spot amplitude $A \in [0,1)$ \n Rebull et al. 2016')
#plt.xticks(np.arange(0, 0.51, 0.1))
#plt.yticks(np.arange(0, 0.51, 0.1))
plt.savefig('K2_LAMOST_starspots_crosstab.png', bbox_inches='tight', dpi=300);


Crosstabs with continuous variables: Colorbar


In [68]:
plt.figure(figsize=(7, 7))
cross_tab = 'Mass'
cm = plt.cm.get_cmap('Blues')
sc = plt.scatter(fang_K2.fs1, fang_K2.flux_amp, c=fang_K2[cross_tab], cmap=cm)
cb = plt.colorbar(sc)
#cb.set_label(r'$T_{spot}$ (K)')

plt.plot([0,1], [0,1], 'k--')
plt.xlim(-0.01,0.8)
plt.ylim(0,0.15)
plt.xlabel('LAMOST-measured $f_{spot}$ \n Fang et al. 2016')
plt.ylabel('K2-measured spot amplitude $A \in [0,1)$ \n Rebull et al. 2016')
#plt.xticks(np.arange(0, 0.51, 0.1))
#plt.yticks(np.arange(0, 0.51, 0.1))
plt.savefig('K2_LAMOST_starspots_cb.png', bbox_inches='tight', dpi=300);


What about inclination?

$$ V = \frac{d}{t} = \frac{2 \pi R}{P} $$$$ V \sin{i} = \frac{2 \pi R}{P} \sin{i}$$$$ V \sin{i} \cdot \frac{P}{2 \pi R} = \sin{i}$$$$ \arcsin{\lgroup V \sin{i} \cdot \frac{P}{2 \pi R} \rgroup} = i$$

In [69]:
import astropy.units as u

In [70]:
sini = fang_K2.vsini * u.km/u.s * fang_K2.Per1* u.day /(2.0*np.pi *u.solRad)

In [71]:
vec = sini.values.to(u.dimensionless_unscaled).value

In [72]:
sns.distplot(vec[vec == vec], bins=np.arange(0,2, 0.1), kde=False)
plt.axvline(1.0, color='k', linestyle='dashed')


Out[72]:
<matplotlib.lines.Line2D at 0xa1cf8ada0>

In [73]:
inclination = np.arcsin(vec)*180.0/np.pi


/Users/obsidian/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:1: RuntimeWarning: invalid value encountered in arcsin
  """Entry point for launching an IPython kernel.

In [74]:
sns.distplot(inclination[inclination == inclination], bins=np.arange(0,90.0, 5), kde=False);



In [75]:
fang_K2['sini'] = vec

In [76]:
plt.figure(figsize=(7, 7))
cross_tab = 'sini'
cm = plt.cm.get_cmap('hot')
sc = plt.scatter(fang_K2.fs1, fang_K2.flux_amp, c=fang_K2[cross_tab], cmap=cm)
cb = plt.colorbar(sc)
cb.set_label(r'$\sin{i}$')

plt.plot([0,1], [0,1], 'k--')
plt.xlim(-0.01,0.7)
plt.ylim(0,0.15)
plt.xlabel('LAMOST-measured $f_{spot}$ \n Fang et al. 2016')
plt.ylabel('K2-measured spot amplitude $A \in [0,1)$ \n Rebull et al. 2016')
#plt.xticks(np.arange(0, 0.51, 0.1))
#plt.yticks(np.arange(0, 0.51, 0.1))
plt.savefig('K2_LAMOST_starspots_cb.png', bbox_inches='tight', dpi=300);