A explorar los datos del LHC

Hoy vamos a combinar dos conceptos que vimos ayer:

Abrir bases de datos con pandas
Visualizar datos mediante histogramas

Ademas veremos como:

Utilizar scatter plots 2D
Box plots

Nuestra meta:
Pensar como classificar un datos como boson (s) o ruido (b)

Primero las librerias

Instalaremos una libreria (seaborn) para visualizacion avanzada usando el comando en su terminal (anaconda prompt o terminal):

conda install seaborn



In [ ]:

    
import pandas as pd
import numpy as np # modulo de computo numerico
import matplotlib.pyplot as plt # modulo de graficas
# esta linea hace que las graficas salgan en el notebook
import seaborn as sns
%matplotlib inline

Datos LHC

Hemos preparado una version mini de los datos, que funcionara bastante bien. Los datos estan en formato CSV (Que siginifica CSV?)



In [ ]:

    
df = pd.read_csv('files/mini-LHC.csv')
df.head()

Utilidades:

Podemos accesar informacion de la base de datos (DataFrame) mediante las siugientes formas:

Tamaño

Para eso podemos usar len() (longitud) y .shape (forma).



In [ ]:

    
print(df.shape)



In [ ]:

    
print(len(df))

Columnas



In [ ]:

    
print(df.columns)

Y si quiero imprimir columnas, una por una?

Usamos un for!



In [ ]:

    
for col in df.columns:
    print(col)

Recuerda:
Para accesar una columna usamos su nombre



In [ ]:

    
df['PRI_met']

Dividir datos

Finalmente vamos dividir los datos entre los que son bosones (s) y los que no. Cada uno sera una base de datos seprada



In [ ]:

    
boson_df = df[df['Label']=='s']
ruido_df = df[df['Label']=='b']

Preguntas:

Cuantos Bosones tenemos?
Y cuantos de ruido?



In [ ]:

Visualizar!

Ahora que sabemos accesar a los datos, vamos a visualizar los datos.

Como ejemplo usaremos la propiedad fisica DER_mass_MMC que de acuerdo al documento de datos dice:

DER_mass_MMC: The estimated mass mH of the Higgs boson candidate, obtained through a prob- abilistic phase space integration

Es decir la masa estimada de la particula.

BoxPlot

Con los boxplots, vemos el minimo, maximo, promedio y una caja donde esta concentrado la mayoria de los datos (75%).

Con boxplots usamos todos los datos no divididos (df)..le decimos quien es esta en el eje x (Label) y quien en el eje y que puede ser cualquier propiedad fisica.



In [ ]:

    
sns.boxplot(x="Label", y="DER_mass_MMC",data=df)
plt.show()

Histogramas

Usando la funcion sns.distplot, esta combina la funcionalidad de un histograma y ademas trata de ajustar una curva a los datos.



In [ ]:

    
sns.distplot(boson_df["DER_mass_MMC"],label='boson')
sns.distplot(ruido_df["DER_mass_MMC"],label='ruido')
plt.ylabel('Frecuencia')
plt.legend()
plt.title("Distribucion de DER_mass_MMC")
plt.show()

Scatter plots

Con scatter plots podemos ver la relacion de dos variables, graficando puntos en una dimension (X) y luego en otra (Y).

En este caso escojemos una variable extra PRI_tau_pt que segun la documentacion representa

PRI_tau_pt The transverse momentum $\sqrt{p^2_x + p^2_y}$ of the hadronic tau.

Es decir el momento transversal del tau hadronico..algo loco

Probemoslo:



In [ ]:

    
ejeX = "DER_mass_MMC"
ejeY = "PRI_tau_pt"
plt.scatter(df[ejeX],df[ejeY],alpha=0.5)
plt.xlabel(ejeX)
plt.ylabel(ejeY)
plt.show()

Ven algun problema ?

En este caso tiene sentido visualizar los datos separados...asi tenemos una mejor idea



In [ ]:

    
ejeX = "DER_mass_MMC"
ejeY = "PRI_tau_pt"
plt.scatter(boson_df[ejeX],boson_df[ejeY],c='r',alpha=0.1,s=20,label='boson',lw=0)
plt.scatter(ruido_df[ejeX],ruido_df[ejeY],c='g',alpha=0.1,s=10,label='ruido',lw=0)
plt.xlabel(ejeX)
plt.ylabel(ejeY)
plt.legend()
plt.show()

Actividad: Como classificar el higgs?

Juntarse en grupos de 6, y juntos exploraran todas las variables que hay.

Que hacer:

Usar las herramientas que ya vimos para visualizar las variables, en una dimension y en dos.

Discutir:

Que variables son las mas imporates visualmente?
Como separariamos al boson visualmente?
Que retos ven? Es decir que dificultades hay con este enfoque?
Como las podrian resolver?
Por que es necesario classificar el boson?



In [ ]: