Pythonコードが添付されたサンプルプロジェクト

Originプロジェクトを使ったサンプル

このページでは、Origin/OriginProのバージョン2021で追加された、OriginプロジェクトファイルをベースにしたPythonのサンプルを紹介しています。Pythonコードファイルはプロジェクトに添付されています。プロジェクトには、コードを実行するボタンと、コードビルダでコードを表示し、実行したりデバッグするボタンがあります。

これらのプロジェクトは\Samples\Pythonサブフォルダと、F11キーを押して開くラーニングセンターの解析サンプルにあります。

以下は各サンプルの簡単な説明とサンプルに関連するコードです。これにより、Originの組み込みPythonでoriginproパッケージを使って作業する簡単な方法について学ぶことができます。

複数ファイルのバッチピーク解析

このサンプルでは、データフォルダのデータを一度にインポートしてバッチピーク分析を実行します。データでは、ベースラインの減算とピークフィットが実行されます。データとフィット結果を表示するグラフにピークパラメータが配置されます。そして、グラフをpngの画像ファイルとしてエクスポートします。

import originpro as op
import os

path = op.path('e') + "samples\\Batch2\\" 

for file in os.listdir(path): 
    fullpath = os.path.join(path, file)
    wks = op.find_sheet(ref='Book1')
    wks.from_file(fullpath)
    
    op.wait() # 処理完了まで待機
    op.wait('s', 0.05)#グラフ更新まで待機
    
    weight = wks.get_label(1,'C') # 列コメントを取得してエクスポートグラフの名前にする
    gp = op.find_graph("Graph1")
    graphpath = gp.save_fig(op.path()+f'weight - {weight}.png', width=800)
    print(graphpath)
    
os.startfile(op.path()) # エクスポートグラフのあるフォルダを開く

営業マンの移動の問題

scikit-optパッケージを使って、巡回セールスマン問題について最適な解決策を見つけるサンプルです。あらかじめscikit-optモジュールのインストールが必要です。緯度経度の値をもつ米国の空港データを目的地として使用します。ランダムに選択された空港の場所と最適化された経路が、Googleマップ画像上のグラフに表示されます。

都市のランダムなセット（ワークシートの行）を選択するコード：

import pandas as pd
import originpro as op
#「AllAirports」シートからDataFrameにデータを転送
#次に、ランダムに10都市を選び「Selected」シートに置く
wksSource = op.find_sheet('w', '[Book2]"All Airports"')
df = wksSource.to_df()
#スペースがない場合は引用符による囲みは不要
wks = op.find_sheet(ref='[Book2]Selected')
wks.clear()
wks.from_df(df.sample(10))

距離を最適化するコード：

# scikit_optを使って巡回セールスマン問題を解くPythonコード
# 最適化コードは次のページより引用: https://pypi.org/project/scikit-opt/
    
import sys
import numpy as np
import pandas as pd
import originpro as op
    
# 「Selected」シートに移動してデータを取得
wks = op.find_sheet(ref='[Book2]Selected')
lat = wks.to_list('LATITUDE')
lon = wks.to_list('LONGITUDE')
coordinates = list(zip(lat, lon))

# 列の長さから空港/ポイントの数を取得
num_points = len(coordinates)

from scipy import spatial
distance_matrix = spatial.distance.cdist(coordinates, coordinates, metric='euclidean')
def cal_total_distance(routine):
    '''The objective function. input routine, return total distance.
    cal_total_distance(np.arange(num_points))
    '''
    num_points, = routine.shape
    return sum([distance_matrix[routine[i % num_points], routine[(i + 1) % num_points]] for i in range(num_points)])


# 最適化
from sko.GA import GA_TSP

ga_tsp = GA_TSP(func=cal_total_distance, n_dim=num_points, size_pop=50, max_iter=500, prob_mut=1)
best_points, best_distance = ga_tsp.run()

# best_pointsをリストに変換
order=best_points.tolist()

# ループして行の順序リストを作成
row_order = [0] * num_points
count=0
while (count<num_points):
    row_order[order[count]]=count+1
    count=count+1

# 行の順序をワークシートの最初の列に入れ、最初の列でワークシートをソート
wks.from_list(0, row_order)
wks.sort(0)

# 最初の行をコピーして最後に追加し、グラフのループを閉じる
row1 = wks.to_list2(0,0)
wks.from_list2(row1,num_points)

ロジスティック回帰

ワークシートデータにロジスティック回帰を実行するサンプルです。分析で得られたパラメータ値と95%信頼区間は、新しいワークシートに出力されます。最適化処理の情報はスクリプトウィンドウに表示されます。この例では、ワークシートのデータのロジスティック回帰分析を実行します。

#このサンプルはstatsmodelsモジュールのインストールが必要

import pandas as pd
import statsmodels.api as sm

import originpro as op

#アクティブワークシートデータをPythonのDataFrameに送る
#ワークシートの列CとDはカテゴリ列

wks = op.find_sheet( 'w' )
df = wks.to_df()

#Pythonでロジスティック回帰を実行
cat_columns = df.select_dtypes(['category']).columns
df[cat_columns] = df[cat_columns].apply(lambda x: x.cat.codes)
df['intercept'] = 1.0

logit = sm.Logit(df['Career_Change'], df[['Age','Salary','Gender','intercept']])

result = logit.fit()

#2つのDataFrameをインデックスでマージ：result.params（最初にSeriesをDataFrameに変換）とresult.conf_int()
res_df = pd.merge( result.params.to_frame(), result.conf_int(), right_index=True, left_index=True )
res_df.columns = ['Fitted Parameter', '95% CI Lower', '95% CI Upper']

#結果をOriginの新しいワークシートに送る
wksR = op.new_sheet( 'w', 'Logistic Regression Result' )

#DataFrame (res_df)をワークシート (wksR)に送る
#res_df には3つの列があり、そのインデックスは行名で、これもワークシートに設定する必要がある

#DataFrame値をワークシートに送り、DataFrameインデックスの最初の列に送る
wksR.from_df( res_df, 0, True )

ベイズ回帰

sklearnパッケージからBayesianRidgeモデルを呼び出すことにより、ベイジアンリッジ回帰を実行するサンプルです。

# このサンプルはsklearnパッケージのインストールが必要

import numpy as np
import pandas as pd
import originpro as op
from sklearn import linear_model


# ワークシートExpGrowthを検索
# 1番目と2番目の列をそれぞれX、Yに取得
ws = op.find_sheet('w', 'ExpGrowth')
X = np.array(ws.to_list(0))  # 最初の列データをnumpy配列として取得
y = np.array(ws.to_list(1)).ravel()  # 2番目の列をnumpy配列として取得

# パラメータを使用してBayesianRidgeオブジェクトを作成
# tol=1e-6, 許容誤差は1e-6
# fit_intercept=True, 切片に合わせる
# compute_score=True, 最適化の各反復で対数周辺尤度を計算
# alpha_init=1, ガンマ分布のアルファの初期値
# lambda_init=1e-3, ガンマ分布のラムダの初期値
blr = linear_model.BayesianRidge(tol=1e-6, fit_intercept=True, compute_score=True, alpha_init=1, lambda_init=1e-3)

degree = 10  # ヴァンデルモンドの行列取得のため

# Xを次数10のファンデルモンド行列に展開
# そしてBayesianRidgeモデルのフィット
blr.fit(np.vander(X, degree), y)

# Xの同じファンデルモンド行列からyを予測し、標準偏差も返す
ymean, ystd = blr.predict(np.vander(X, degree), return_std=True)

# 出力結果のワークシートを探す
wks = op.find_sheet('w', 'Results')

# Xは次数10のファンデルモンド行列に展開されるため、係数を出力
# 10個の係数がある
wks.from_df(pd.DataFrame(blr.coef_, columns=['Coefficients']), 0)

# 切片を出力
wks.from_df(pd.DataFrame(np.array([blr.intercept_]), columns=['Intercept']), 1)

# ガンマ分布のアルファとラムダを出力
wks.from_df(pd.DataFrame(np.c_[['Alpha', 'Lambda'], [blr.alpha_, blr.lambda_]], columns=['Gamma Parameters', 'Gamma Parameter Values']), 2)

# 各相互作用のスコア出力
wks.from_df(pd.DataFrame(np.c_[np.arange(0, blr.n_iter_+1), blr.scores_], columns=['Iteration', 'Score']), 4)

# 非依存および予測依存、および標準偏差を出力
wks.from_df(pd.DataFrame(np.c_[X, ymean, ystd], columns=['Indep', 'Predicted Y', 'STD']), 6)

Friedmanの Super Smoother

FriedmanのSuper Smoother方によりノイズのあるデータにスムージングを実行するサンプルです。

#このサンプルでは、supersmoother およびpandas パッケージのインストールが必要
from supersmoother import SuperSmoother

import originpro as op
import numpy as np
import pandas as pd

#アクティブワークシートからデータを取得
wks = op.find_sheet('w')
cx = np.array( wks.to_list( 0 ) )
cy = np.array( wks.to_list( 1 ) )

#FriedmanのSuper Smootherを実行
#alpha: smoothing level, (0 < alpha < 10)
smoother = SuperSmoother( alpha = 2 )

#smootherをフィット
smoother.fit( cx, cy );

#inputxの平滑化関数を予測
yfit = smoother.predict( cx )

#スムージング結果をOriginのワークシートに出力
df = pd.DataFrame( {'Smoothed': yfit} )
wks.from_df( df, 2 )

ハイパースペクトル画像スタックとPCA

このサンプルでは、主成分分析（PCA）を使用してイメージスタックデータを削減する方法を示しています。

データは、MATLAB .matファイルの波長範囲にわたるハイパースペクトル画像データです。PCAを使用してデータサイズを削減しますが、それでも多くの有用な情報を保持できます。

import numpy as np
import pandas as pd
import originpro as op
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA


if __name__ == '__main__':
    # 行列シートMBook1を探す。このシートには、200バンドのハイパースペクトルデータ用に200の行列オブジェクトが画像スタックとして含まれる
    msX = op.find_sheet('m', 'MBook1')
    
    # 行列シートから200バンドのデータを3Dnumpy配列として取得
    # dstack=True はdstackを使用し、データは（行、列、深度）の形
    # ここでの深度は200、つまり、200バンド 
    # 行と列は、各バンド画像の行と列の数
    X = msX.to_np3d(dstack=True)

    # Xを2D行列に形状変換。ここでは(-1, X.shape[2])
    # Xを2D行列に形状変換。ここでは(-1, X.shape[2])
    # これは X = np.reshape(X, (X.shape[0]*X.shape[1], X.shape[2]))に等しい
    # 2D行列に形状変換した後、行列の1行には200のバンド値がある
    # つまり、行列の1ピクセルには、200枚のスタック画像の深度に沿って200個の値が含まれる
    X = X.reshape((-1, X.shape[2]))
    
    # 行列シートMBook2を探す
    # このシートに16クラス（1から16まで）のグラウンドトゥルースデータが含まれる
    # 0は有効なクラスではない
    msY = op.find_sheet('m', 'MBook2')
    
    # グラウンドトゥルースデータを行列シートからnumpy配列として取得
    # 次に、1つの列のみを持つ行列として形状変更
    # (-1, 1) は最初の次元のサイズにかかわらず1つの列を使用することを意味する
    mY = msY.to_np3d().reshape((-1, 1))
    
    X = X[mY.ravel() != 0, :]  # クラスが0（0は無効なクラスを意味する）であるピクセル（Xの行）を削除
    
    # 元のバンド数は220
    # 修正されたデータのバンド数は200
    # 吸水領域をカバーするバンドは [104-108], [150-163], 220
    # したがって、利用可能なバンドはこれらの20バンドを除外
    bands = np.append(np.append(np.array(range(1, 104)), np.array(range(109, 150))), np.array(range(164, 220)))

    # StandardScalerオブジェクトを作成し、Xデータをフィットおよび変換
    # これは、データのさまざまなスケールの問題を回避するためにデータをスケーリングするため
    scaledX = StandardScaler().fit_transform(X)
    
    # 列ヘッダとしてバンドを割り当てることによって
    # スケーリングされたXデータを使用してDataFrameを作成
    scaledX = pd.DataFrame(scaledX, columns=bands)  # 列ヘッダが割り当てられますがここではあまり使用しない
    
    n_components = 50  # データには200の特徴（1つのサンプルの波）がある。ここでは50使用して、次元を200から50に減らします。
    pca = PCA(n_components=n_components, svd_solver='randomized', whiten=True, random_state=100, copy=True)  # PCAオブジェクト作成
    
    # pcaオブジェクトを使ってscaledXデータをフィットおよび変換
    # データは同じ行数の50列
    pcaX = pca.fit_transform(scaledX)

    # 50個の成分のそれぞれによって説明される分散のパーセンテージの合計を出力
    print(np.sum(pca.explained_variance_ratio_))

    ws = op.new_sheet('w')  # 出力データ用ワークシートを作成
    
    # PCA結果データpcaXを使用してDataFrameを作成
    # 列ヘッダは、各成分の説明された分散比
    df = pd.DataFrame(pcaX, columns=pca.explained_variance_ratio_.astype('str'))
    ws.from_df(df)  # DataFrameをワークシートに置く

画像の色を抽出

この例（Sample\PythonのExtract Image Colors.opju）では、出版物のグラフ画像などの画像からすべての色を取得できます。各色のRGB値およびOriginの色値がワークシートに出力されます。

import extcolors
import numpy as np
import originpro as op

file_path = op.file_dialog('*.png;*.jpg;*.bmp','Select an Image')
if len(file_path) ==0:
    raise ValueError('user cancel')
    
colors, pixel_count = extcolors.extract_from_path(file_path)

colors = np.array(colors)
#rgb = colors[:,0]
rgb,pixel = map(list, zip(*colors))
#print(rgb)
r = []
g = []
b = []
for row in rgb:
    r.append(row[0])
    g.append(row[1])
    b.append(row[2])
#色を出力
wks = op.find_sheet('w')
wks.from_list(0, r)
wks.from_list(1, g)
wks.from_list(2, b)

Lomb-Scargleピリオドグラム

このサンプルでは、間隔が不均一な信号のLomb-Scargleピリオドグラムを計算します。

#このサンプルはscipy、pandasパッケージのインストールが必要

import originpro as op

import numpy as np
from scipy.signal import lombscargle

import pandas as pd

#アクティブワークシートを使用し、列A、Bのデータを取得
wks = op.find_sheet()
t = np.array( wks.to_list( 0 ) )
y = np.array( wks.to_list( 1 ) )

#lombscargle 関数の入力として角周波数を計算
n = t.size
ofac = 4  # オーバーサンプリング因子
hifac = 1
T = t[-1] - t[0]
Ts = T / (n - 1)
nout = np.round(0.5 * ofac * hifac * n) 
f = np.arange(1, nout+1) / (n * Ts * ofac)
f_ang = f * 2 * np.pi

#Lomb-Scargleピリオドグラム分析を実行
pxx = lombscargle(t, y, f_ang, precenter=True)
pxx = pxx * 2 / n /f[-1]

#f 単位: mHz, PSD 単位: dB/Hz
f = 1000*f
pxx = 10*np.log10( pxx ) 
    
df = pd.DataFrame( {'Frequency':f, 'Power/Frequency':pxx} )
#PythonのDataFrameをワークシート列3から送る
wks.from_df( df, 2 )

全てのグラフをエクスポート

このサンプル（\Samples\PythonのExport all Graphs.opju）はOriginプロジェクトの全グラフをエクスポートします。このプロジェクトには、それぞれに1つのグラフを持つ2つのサブフォルダがあります。グラフは以前にエクスポートされているため、各グラフにエクスポート設定が自動的に保存されています。

Run Codeボタンをクリックすると下に表示されているLabTalkスクリプトを実行します。スクリプトによりGetNダイアログボックスが開き、エクスポートパスの指定や他の設定が可能です。

string path$ = "";
int fmt=0;
double dWidth = 500;
int bWidth = 0;
GetN	
(Leave path empty and Format Auto to use settings in each graph) $:@HL
(Export Path) path$:@BBPath
(Format) fmt:r("Auto|png")
(Change Width) bWidth:2s1
(New Width) dWidth
(Graph Export Options);

if(0==bWidth) dWidth = 0;

py.@expall(path$, dWidth, fmt);

スクリプトの最後の行は、グラフをエクスポートするPython関数を呼び出します。py.@expall()という特別な表記は、expall()関数が、プロジェクトに添付されているexp.pyファイルに含まれていることを表しています。

以下にPython関数のコードを示します。

import os
import originpro as op

def expall(fpath, imgw, usepng):
    #埋め込みグラフを含むプロジェクト内のグラフを全て検索
    list = op.graph_list('p')
    for graph in list:
        if usepng==0 and imgw==0:
            #グラフに保存されたテーマを使用。fpathが空でない場合パスを変更
            #そうでない場合、各グラフに独自のパスを記録
            result = graph.save_fig(fpath)
        else:
            result = graph.save_fig(path=fpath, type='png', width=imgw)
        print(result)
        
    #LTパスから与えられた場合
    if len(fpath):
        os.startfile(fpath)

画像の細線化

opencvパッケージを使用して画像の細線化を実行するサンプルです。

#元のコード: https://theailearner.com/tag/thinning-opencv/
#pip install opencv-python;// スクリプトウィンドウでcv2をインストールする場合
import cv2
import numpy as np
import originpro as op

#ソース画像をnumpy配列imgにロード
m1 = op.find_sheet('m', 'MBook1')
img = m1.to_np2d()

# 構造化要素
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS,(3,3))
# 値を保持するために空の出力画像を作成
thin = np.zeros(img.shape,dtype='uint8')
 
# 収縮処理が空のセットまたは最大になるまでループ
max = 50
while (cv2.countNonZero(img)!=0):
    # 収縮処理
    erode = cv2.erode(img,kernel)
    # 収縮処理後の画像を開く
    opening = cv2.morphologyEx(erode,cv2.MORPH_OPEN,kernel)
    # 2つを減算
    subset = erode - opening
    # 以前のすべてのセットの和集合
    thin = cv2.bitwise_or(subset,thin)
    # 次の反復のために収縮処理した画像を設定
    img = erode.copy()
    max -= 1
    if max == 0:
        break

m2 = op.new_sheet('m', 'Thinned Result')
m2.from_np(thin)
m2.show_image()

ピーク移動

このサンプル（Sample\PythonのPeak Movement.opju）では、ワークシートの連続する列からのデータが1つずつプロットされるので、測定パラメータの関数としてデータがどのように変化しているかを視覚化できます。

import originpro as op
import pandas as pd

#ブック名で検索
wksSource = op.find_sheet('w', 'Waterfall]')
df = wksSource.to_df()
#範囲表記でも検索可能
wks = op.find_sheet(ref="[Book1]1!")

for key, value in df.iteritems(): 
    wks.from_list(key!='X', list(value), comments=key)
    op.wait('s', 0.05)

フィットのシミュレーション

複数の総和を持つ関数にデータをフィットさせるサンプルです。ベクトル形式でフィトパラメータを取得するためにNelder-Meadシンプレックスアルゴリズムが使用されます。

import numpy as np
from scipy.optimize import minimize
import originpro as op

def fitfunc(a):
    y1 = np.array(y)  
    y1 = y1.reshape(1,len(y1))
    return sum(np.square(sum(C_csk(a, x) - y1))) 
    
def C_csk(a, x):
    """
    D:DD
    """
    a = np.array(a)
    a = a.reshape(len(a),1)
    g = a[0:int(len(a)/2)]
    d = a[int(len(a)/2):]
    x1 = np.array(x)
    x1 = x1.reshape(1,len(x1))    
    m0 = g*np.exp(-d/x1)
    m1 = g*d*np.exp(-d/x1)
    m2 = g*np.square(d)*np.exp(-d/x1)
    sm = (m0.sum(axis=0)*m2.sum(axis=0) - np.square(m1.sum(axis=0)))/np.square(m0.sum(axis=0))*8.314/x1/x1
    return sm.sum(axis=0)  

def fitSummation():
    global x, y
    wks = op.find_sheet()
    x = wks.to_list(0)
    y = wks.to_list(1)
    a0 = np.array(wks.to_list(2))
    res = minimize(fitfunc, a0, method='nelder-mead', options={'xatol': 1e-8, 'disp': True})
    wks.from_list(3, res.x)

ボタンからPythonコードを実行する方法

テキストラベルなどのグラフオブジェクトからLabTalkスクリプトを実行するように設定できます。クリック、移動、サイズ変更などのイベントによりスクリプトを実行可能です。

前のセクションで説明したサンプルでは、ボタンとして設定されたテキストラベルを使用して、LabTalkスクリプトを実行します。次に、スクリプトはプロジェクトに添付されたPythonコードを実行します。次のミニチュートリアルでは、その方法を説明します。

Originでコードビルダを開きます（メニューの表示：コードビルダを選択）。
メニューのファイル：新規...を選び、ダイアログでPython Fileを選択して、ファイル名をtestにしてOKをクリックします。
右側のエディタで、以下のPythonコードを入力します。
```
print('Hello from Python!')
```
上書き保存ボタンをクリックしてファイルを保存します。
コードビルダの左パネルで、Projectノードを右クリックし、ファイルを追加...を選択します。作成したtest.pyを選択して、開くをクリックします。これで、ファイルがプロジェクトに添付されました。
Originに戻ります。
グラフまたはワークシートウィンドウをアクティブにします。
Originウィンドウの左側にある、プロット操作・オブジェクト作成ツールバーからテキストツールをクリックします。
グラフまたはワークシート上の何もない箇所をクリックします。これによりテキスト編集モードになります。 Run Code と入力して、テキストオブジェクト外を一度クリックします。
次に、ALTキーを押しながら、今作成したテキストをダブルクリックします。テキストオブジェクトダイアログのプログラミングタブが開きます。
～の後でスクリプトを実行リストから、ボタンアップを選びます。
下のテキストボックスに以下のスクリプトを入力します。
```
run -pyp test.py;
```
.このスクリプトは、プロジェクトに添付されたtest.pyファイルのPythonコードを実行するようにOriginに伝えるためのものです。
OKをクリックして、ダイアログを閉じます。
テキストラベルがボタンになりました。ボタンをクリックします。スクリプトウィンドウが開き、Pythonのprintステートメントからの出力が表示されます。
このプロジェクトを保存すると、プロジェクトに添付されているPythonコードファイルも一緒に保存されます。