Preprocessing e metodi numerici riproducibili
Corso Python scientifico in GX-TXT · Modulo 10 · Lezione 57
Prima del fit prepariamo una vista dei dati necessaria all’analisi e controlliamo che i valori e le incertezze siano utilizzabili. Manteniamo la sorgente sintetica separata dall’output derivato.
Obiettivi
- Proiettare variabili in un nuovo Dataset.
- Controllare finitezza e positività delle incertezze.
- Interpolare alcuni punti senza chiamarli misure.
- Documentare le scelte senza eliminare righe per migliorare il fit.
Esecuzione
Dopo la lezione 56, importa preprocessing.py nella Sessione
corso_python, salvalo ed eseguilo. La trasformazione crea
corso_finale_a_selezionato: se l’ID esiste, scegli un ID
libero e aggiornalo anche nelle letture successive.

import numpy as np
from gxtxt import gxtxt_api_call, gxtxt_api_require
for api in ("DATASET_TRANSFORM_API_v1@1", "CANONICAL_DATASET_API_v2@2", "NUMERIC_API_v1@1"):
gxtxt_api_require(api)
sorgente = "corso_finale_a"
uscita = "corso_finale_a_selezionato"
manifest = {"api_version": 1, "operation": "project_variables",
"sources": [{"dataset_id": sorgente, "variable_ids": ["tempo", "segnale", "sigma"]}],
"output": {"dataset_id": uscita, "contract": "auto", "storage": "auto"},
"options": {}, "schema_policy": {}, "metadata_policy": "inherit_single_source"}
risultato = gxtxt_api_call("DATASET_TRANSFORM_API_v1", "execute", [manifest])
r = gxtxt_api_call("CANONICAL_DATASET_API_v2", "read_range", [uscita, ["tempo", "segnale", "sigma"], 0, 21])
t = np.asarray(r["tempo"]["values"]).reshape(-1)
y = np.asarray(r["segnale"]["values"]).reshape(-1)
sigma = np.asarray(r["sigma"]["values"]).reshape(-1)
validi = np.isfinite(t) & np.isfinite(y) & np.isfinite(sigma) & (sigma > 0)
query = np.array([0.125, 1.125, 2.125])
stime = gxtxt_api_call("NUMERIC_API_v1", "interpolate", [t, y, query, {"method": "linear", "extrapolation": "error"}])
print("Sorgente:", sorgente, "output:", risultato["dataset_id"])
print("Righe valide:", int(validi.sum()), "su", len(t))
print("Tempi interpolati (s):", query)
print("Stime, non misure (mV):", np.asarray(stime["yq"]).reshape(-1))
print("Nessuna riga esclusa dal fit")
project_variables pubblica una copia derivata con
tempo, segnale e sigma, lasciando
distinta la sorgente con la curva ideale. La maschera controlla che
tempo, segnale e incertezza siano finiti e che sigma sia
positiva. Nel risultato mostrato tutte le 21 righe soddisfano il
controllo; la maschera non elimina righe.

La chiamata interpolate calcola tre stime lineari fra i
tempi originali. Sono valori derivati, non osservazioni nuove; non
vengono aggiunti ai punti del fit della prossima lezione. L’opzione
extrapolation: error rifiuta richieste fuori dal dominio.
Se un controllo fallisse, occorrerebbe documentare e motivare la
gestione della riga, non rimuoverla solo perché peggiora il
risultato.
Esercizio
- Quale Dataset rimane la sorgente originale?
- Le stime interpolate sono nuove misure?
- Perché controllare che
sigmasia positiva?
Soluzione ragionata
corso_finale_a; l’output ha un’identità distinta.- No, sono stime secondo il metodo lineare.
- Un’incertezza standard usata per pesi inversi deve essere positiva e finita.