Question

尽管其他线程都在讨论寻找基线并将其从数据中减去的方法，但这些线程仅在一张图上进行了基线并使用了某种拟合方法。我的应用程序是相似的，但有所不同，它们的代码不适用于我的应用程序。本质上，我想获取原始数据，形成基线，从基线中减去原始数据，获取每个数据帧的最大值并绘制最大值。对我而言，目前最大的问题是能够形成一个可以在每个数据帧（有160个数据帧）中循环的基线。

因此，我尝试了使用更复杂的拟合或算法的其他方法，但是它们都不起作用或太难以至于无法在我的简单图形中实现。到目前为止，我已经能够找到并绘制所有160个最大值。我需要帮助的是减去背景，使最大值彼此更一致。

filestoprocess = []
peak 1 = []

for filename in filestoprocess:
    dfspectra = pd.read_csv(filename, skiprows = 13, delimiter =                                 '\t', header = None, names = ['Wavelength (nm)','Absorbance'])
    ymax1 = np.max(dfspectra['Absorbance'][162:218])
    peak1.append(ymax1)

time = range(0,160)   
x = np.array(time)
ax.plot(x, peak1)

这是我到目前为止的代码。它只是将最大值放入数组并绘制数组。我不知道如何开始制作另一个基线，从每个数据帧中减去它，然后绘制这些最大值。

由于某些原因，我无法上传剧情。但这仅仅是具有高斯形状的平坦的吸收光谱。我不知道基线减去是否需要某种高斯拟合。但是我希望基线只是我所拥有光谱的一个更稳定，更平坦的版本，这将有助于标准化最大值。

编辑*：

这里有我在另一个尝试过的线程中看到的代码，但不确定我是否正确使用了它。我不知道它是否适用于我的应用程序

def baseline_als(y, lam, p, niter=10):
  L = len(y)
  D = sparse.csc_matrix(np.diff(np.eye(L), 2))
  w = np.ones(L)
  for i in xrange(niter):
    W = sparse.spdiags(w, 0, L, L)
    Z = W + lam * D.dot(D.transpose())
    z = spsolve(Z, w*y)
    w = p * (y > z) + (1-p) * (y < z)
  return z

如何形成基线，如何从原始绘图中减去基线并在160个数据帧中重复基线减法？

0 个答案: