Terlepas dari kenyataan bahwa di sebagian besar lembaga pendidikan di Rusia pekerjaan laboratorium berlangsung dalam format lama (ketika seorang siswa miskin, mengumpulkan data dari peralatan prasejarah, secara manual mengukur periode osilasi dengan timer, dengan susah payah mencoba menemukan penjelasan untuk data yang tidak realistis), beberapa universitas membeli sensor, papan, dan (paling penting) komputer untuk kenyamanan siswa. Tentu saja, peralatan yang baik meningkatkan akurasi percobaan. Meskipun demikian, hambamu yang rendah hati berkali-kali menjumpai omelan teman-teman sekelasnya: "Lebih mudah menggambar grafik dengan pena dan mengukur waktu, daripada disiksa dengan pemrograman pada sebuah kompuktor." Saya akui - saya juga memiliki periode adaptasi yang serupa, yang, bagaimanapun, berlalu cukup cepat. Jadi, saya membagikan pengalaman saya.
GNUplot
Mungkin ini adalah hal paling sederhana yang dapat mereka tunjukkan pada kita sejak awal (dengan kemungkinan pengecualian, mungkin, Word atau Excel). Memproses data menggunakan gluplot sangat sederhana dan tidak memerlukan pengetahuan khusus dalam pemrograman, bahasanya dekat dengan algoritmik. Ideal untuk mulai bekerja pada pemrosesan data grafis.
Bagaimana cara menggunakan
Misalkan kita memiliki file dengan data - satu kolom dengan nilai pengukuran beberapa parameter. Beri nama file data ini.dat. Kita tahu bahwa data adalah distribusi normal, biarlah itu distribusi massa sekumpulan sekrup. Tugas kita adalah menentukan nilai rata-rata massa sekrup. Solusi saya adalah memplot histogram dari data dan kemudian memperkirakannya dengan kurva
. Di bawah ini adalah contoh kode untuk konstruksi seperti itu:
bin_width=0.1 set boxwidth 0.9*bin_width absolute bin_num(x)=floor(x/bin_width) rounded(x)=bin_width*(bin_number(x)+0.5) plot 'data.dat' using (rounded($1)):(1) smooth frequency with boxes set table 'table.dat' replot # , unset table f(x)=a*exp(-(xc)**2/b) a=6# "" b=0.01 c=2 fit f(x) 'table.dat' using 1:2 via a, b, c plot f(x), 'data.dat' using (rounded($1)):(1) smooth frequency with boxes
Dalam aproksimasi, nilai a, b, dan c akan ditentukan dengan akurasi yang cukup baik. Dalam masalah kami, mudah untuk menebak bahwa parameter c adalah nilai rata-rata dari massa benda yang diukur. Dengan demikian, menggunakan kode sederhana dan beberapa pertimbangan, Anda dapat dengan cepat menganalisis data yang dikumpulkan.
Kesimpulan saya tentang bekerja dengan GNUplot
Dalam kasus di mana Anda memerlukan pemrosesan grafis cepat dari sejumlah besar data (besar dalam kerangka kerja laboratorium), GNUplot sangat ideal. Meskipun demikian, terkadang bug muncul, sifat yang harus Anda pikirkan. Saya sarankan menggunakannya untuk pemula untuk beberapa pekerjaan dasar, misalnya, penelitian statistik.
Labview
Monster ini dirancang untuk pemilik lab sungguhan! Platform murni visual untuk mensimulasikan pekerjaan laboratorium. Itu sendiri mengumpulkan data dari ComPorts, memprosesnya sendiri, dan itu sendiri membangun grafik dinamis. Peluang - banyak. Sebagian besar insinyur bekerja secara khusus untuk Labview. TAPI! Dibutuhkan banyak upaya untuk mengetahuinya.
Kesimpulan saya tentang bekerja dengan LabVIEW
Jelas bukan untuk pemula! Jika Anda mau, Anda bisa duduk beberapa hari dan mencari tahu, setelah itu waktu pemrosesan untuk pekerjaan laboratorium akan berkurang secara signifikan, di mana Anda dapat menggunakan mikrokontroler dengan sensor (dalam kasus saya, ini adalah yang laboratorium dengan semua jenis pendulum).
Python
Bahasa ini sangat cocok untuk fisikawan. Paling sering saya menggunakannya untuk memecahkan masalah fisika komputasi, misalnya, solusi numerik persamaan diferensial. Seperti guplot, bahasa ini baik untuk pemrosesan data grafis, ia memiliki lebih sedikit bug dan kesederhanaan sintaksis (walaupun saya tidak mengeluh tentang guplot). Secara pribadi, saya lebih suka Python, tetapi masing-masing memiliki Python sendiri.
Sebagai contoh bekerja dengan Python, saya memberi titik interpolasi oleh polinomial Lagrange,
karena tidak ada contoh analisis data yang lebih jelas . Interpolasi biasanya digunakan untuk memperoleh formula perkiraan untuk ketergantungan dua kuantitas.
import numpy as np import matplotlib.pyplot as plt def f(x, y, t): lag = 0 for j in range(len(y)): n = 1 dn = 1 for i in range(len(x)):
Kesimpulan saya tentang bekerja dengan Python
Bagi saya, Python adalah prioritas. Lebih banyak fitur daripada GNUplot, tidak memerlukan banyak upaya untuk mengerti. Tentu saja, menggunakan Labview jauh lebih profesional, tetapi karena
saya terlalu malas untuk menguasainya, butuh waktu yang mengesankan, saya lebih suka mempelajari semua pesona Python.
Alih-alih sebuah kesimpulan
Dalam ulasan singkat ini, saya memutuskan untuk berbagi pengalaman dalam menggunakan beberapa perangkat lunak pemrosesan data. Saya harap dia membantu Anda dengan kegiatan riset Anda.
Semoga beruntung