LoginSignup
0
1

More than 3 years have passed since last update.

@yamadasuzaku(Shinya Yamada)in立教大学

pythonでOpenNGCデータベースを用いて銀河の可視光データをプロットする方法

Last updated at Posted at 2020-01-08

Open NGC カタログとは

OpenNGC とは、NGC (New General Catalogue) and IC (Index Catalogue)を整理したデータベースのこと。

ソースコードを見ればわかる人は、Google Colab を参照ください。

python インターフェースの PyOngc

https://github.com/mattiaverga/PyOngc を使うと、簡単にデータを取得することができる。python3系で pip install pyongc でインストールできる。

import pyongc
name="NGC4051"                                                                                         
DSOobject = pyongc.Dso(name) 
gtype = DSOobject.getType() 
mag = DSOobject.getMagnitudes() 
surf = DSOobject.getSurfaceBrightness() 
hubble = DSOobject.getHubble()                                                                 
# print(gtype,mag,surf,hubble)
# ('Galaxy', (11.08, 12.92, 8.58, 8.06, 7.67), 22.87, 'SABb')

pyongcをインストールすると、コマンドラインツールもインストールされて、星や銀河がどのくらい含まれているかは次のコマンドでわかる。

> ongc stats

PyONGC version: 0.5.1
Database version: 20191019
Total number of objects in database: 13978
Object types statistics:
    Star                         -> 546
    Double star                  -> 246
    Association of stars         -> 62
    Star cluster + Nebula        -> 66
    Dark Nebula                  -> 2
    Duplicated record            -> 636
    Emission Nebula              -> 8
    Galaxy                       -> 10490
    Globular Cluster             -> 205
    Group of galaxies            -> 16
    Galaxy Pair                  -> 212
    Galaxy Triplet               -> 23
    HII Ionized region           -> 83
    Nebula                       -> 93
    Nonexistent object           -> 14
    Nova star                    -> 3
    Open Cluster                 -> 661
    Object of other/unknown type -> 434
    Planetary Nebula             -> 129
    Reflection Nebula            -> 38
    Supernova remnant            -> 11

全カタログを解析する場合

全部のカタログを解析したい場合は、大元のcsvファイルをダウンロードしてしまいましょう。wgetがインストールされている場合は下記で一発でダウンロードできるはず。

wget https://raw.githubusercontent.com/mattiaverga/OpenNGC/master/NGC.csv .

あるいは、urllib.request.urlretrieve を使っても、

import urllib.request
urllib.request.urlretrieve("https://raw.githubusercontent.com/mattiaverga/OpenNGC/master/NGC.csv",filename="NGC.csv")

で１発でファイルに保存してくれます。私の Google Colab だと次のようになります。

スクリーンショット 2020-11-16 18.58.47.png

NGC.csv のプロットの例

コードの例

import pandas as pd
df = pd.read_table('NGC.csv', header=0,delimiter=";")

import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
import matplotlib.cm as cm
plt.rcParams['font.family'] = 'serif'
import matplotlib.colors as colors

fig = plt.figure(figsize=(14,7.))
ax = fig.add_subplot(1, 2, 1)

num=len(set(df["Hubble"]))
usercmap = plt.get_cmap('jet')
cNorm  = colors.Normalize(vmin=0, vmax=num)
scalarMap = cm.ScalarMappable(norm=cNorm, cmap=usercmap)

for i, sp in enumerate(set(df["Hubble"])):
    c = scalarMap.to_rgba(i)
    df_species = df[df['Hubble'] == sp]
    ax.scatter(data=df_species, x='B-Mag', y='K-Mag', label=sp, color=c, s=1)

plt.xlabel("B-Mag")
plt.ylabel("K-Mag")
plt.legend(bbox_to_anchor=(0., 1.01, 1., 0.01), loc='lower left',ncol=8, mode="expand", borderaxespad=0.,fontsize=8)

ax = fig.add_subplot(1, 2, 2)


for i, sp in enumerate(set(df["Hubble"])):
    c = scalarMap.to_rgba(i)
    df_species = df[df['Hubble'] == sp]
    ax.scatter(data=df_species, x='B-Mag', y='SurfBr', label=sp, color=c, s=1)

plt.xlabel("B-Mag")
plt.ylabel(r"Surface brigness within 25 mag isophoto (B-band) [mag/arcsec$^2$]")
plt.legend(bbox_to_anchor=(0., 1.01, 1., 0.01), loc='lower left',ncol=8, mode="expand", borderaxespad=0.,fontsize=8)

plt.savefig("ngc_bk_bs.png")
plt.show()

import seaborn as sns
sns.pairplot(df[df["Type"]=="G"],vars=["B-Mag","V-Mag","K-Mag"])
plt.savefig("ngc_bvk_galaxy.png")

matplotlib の scatter plot の図

ngc_bk_bs.png

seaborn の sns.pairplot の図

ngc_bvk_galaxy.png

データベースの説明

https://github.com/mattiaverga/OpenNGC/blob/master/NGC_guide.txt に説明がある。

  • Name: Object name composed by catalog + number
    NGC: New General Catalogue
    IC: Index Catalogue

  • Type: Object type
    : Star
    *    : Double star
    *Ass: Association of stars
    OCl: Open Cluster
    GCl: Globular Cluster
    Cl+N: Star cluster + Nebula
    G: Galaxy
    GPair: Galaxy Pair
    GTrpl: Galaxy Triplet
    GGroup: Group of galaxies
    PN: Planetary Nebula
    HII: HII Ionized region
    DrkN: Dark Nebula
    EmN: Emission Nebula
    Neb: Nebula
    RfN: Reflection Nebula
    SNR: Supernova remnant
    Nova: Nova star
    NonEx: Nonexistent object
    Dup: Duplicated object (see NGC or IC columns to find the master object)
    Other: Other classification (see object notes)

  • RA: Right Ascension in J2000 Epoch (HH:MM:SS.SS)

  • Dec: Declination in J2000 Epoch (+/-DD:MM:SS.SS)

  • Const: Constellation where the object is located

  • MajAx: Major axis, expressed in arcmin

  • MinAx: Minor axis, expressed in arcmin

  • PosAng: Major axis position angle (North Eastwards)

  • B-Mag: Apparent total magnitude in B filter

  • V-Mag: Apparent total magnitude in V filter

  • J-Mag: Apparent total magnitude in J filter

  • H-Mag: Apparent total magnitude in H filter

  • K-Mag: Apparent total magnitude in K filter

  • SurfBr (only Galaxies): Mean surface brigthness within 25 mag isophot (B-band), expressed in mag/arcsec2

  • Hubble (only Galaxies): Morphological type (for galaxies)

  • Cstar U-Mag (only Planetary Nebulae): Apparent magnitude of central star in U filter

  • Cstar B-Mag (only Planetary Nebulae): Apparent magnitude of central star in B filter

  • Cstar V-Mag (only Planetary Nebulae): Apparent magnitude of central star in V filter

  • M: cross reference Messier number

  • NGC: other NGC identification, if the object is listed twice in the catalog

  • IC: cross reference IC number, if the object is also listed with that identification

  • Cstar Names (only Planetary Nebulae): central star identifications

  • Identifiers: cross reference with other catalogs

  • Common names: Common names of the object if any

  • NED Notes: notes about object exported from NED

  • OpenNGC Notes: notes about the object data from OpenNGC catalog

ハッブルタイプを簡略化し、Nanを除去してからプロットする方法

例えば、ハッブルタイプは数が多いので、それを簡略化したい場合もあるであろう。
その場合は、

set(df["Hubble"])

として、ハッブルタイプの種類を調べる。それを変換する辞書を作成し、変換した結果を記録する新しいコラムを作成する。

htype={'E':"Etype", 'E-S0':"Etype",  'E?':"Etype",  'I':"Etype",  'IAB':"Etype",  'IB':"Etype",  \
'S0':"Etype", 'S0-a':"Etype",  'S?':"Etype",  'SABa':"Stype",   'SABb':"Stype",  'SABc':"Stype",  'SABd':"Stype",  'SABm':"Stype",  'SBa':"Stype", \
'SBab':"Stype", 'SBb':"Stype", 'SBbc':"Stype", 'SBc':"Stype", 'SBcd':"Stype", 'SBd':"Stype", 'SBm':"Stype", 'Sa':"Stype", 'Sab':"Stype", 'Sb':"Stype",  \
'Sbc':"Stype", 'Sc':"Stype", 'Scd':"Stype", 'Sd':"Stype", 'Sm':"Stype", "nan":"Nan"}
df["htype"] = df["Hubble"]
df = df.replace({"htype":htype})

ここでは、例のため、単純にEtypeとStypeとNanの３分割する例を示した。EをEに変換すると再帰的になるのでおかしくなることはあるので、同じ文字に変換するのは避けよう。

Nanの削除方法

データの中にNanがあると困るので、必要なコラムだけを抽出し、それに対して、dropnaを実行して、Nanを削除する。

    ds = df_species.loc[:,["B-Mag","K-Mag","J-Mag"]] 
    ds = ds.dropna(how='any')

サンプルコード


import pandas as pd
df = pd.read_table('NGC.csv', header=0,delimiter=";")

htype={'E':"Etype", 'E-S0':"Etype",  'E?':"Etype",  'I':"Etype",  'IAB':"Etype",  'IB':"Etype",  \
'S0':"Etype", 'S0-a':"Etype",  'S?':"Etype",  'SABa':"Stype",   'SABb':"Stype",  'SABc':"Stype",  'SABd':"Stype",  'SABm':"Stype",  'SBa':"Stype", \
'SBab':"Stype", 'SBb':"Stype", 'SBbc':"Stype", 'SBc':"Stype", 'SBcd':"Stype", 'SBd':"Stype", 'SBm':"Stype", 'Sa':"Stype", 'Sab':"Stype", 'Sb':"Stype",  \
'Sbc':"Stype", 'Sc':"Stype", 'Scd':"Stype", 'Sd':"Stype", 'Sm':"Stype", "nan":"Nan"}

df["htype"] = df["Hubble"]
df = df.replace({"htype":htype})

import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
import matplotlib.cm as cm
plt.rcParams['font.family'] = 'serif'
import matplotlib.colors as colors

fig = plt.figure(figsize=(14,7.))

ax = fig.add_subplot(1, 2, 1)
for i, sp in enumerate(set(df["htype"])):
    df_species = df[df['htype'] == sp]
    ds = df_species.loc[:,["B-Mag","K-Mag","J-Mag"]] 
    ds = ds.dropna(how='any')
    bk = ds["B-Mag"] - ds["K-Mag"]
    bj = ds["B-Mag"] - ds["J-Mag"]   
    ax.scatter(bk,bj,label=sp, s=2)
plt.xlabel("B-K")
plt.ylabel("B-J")
plt.legend(bbox_to_anchor=(0., 1.01, 1., 0.01), loc='lower left',borderaxespad=0.,fontsize=8)

ax = fig.add_subplot(1, 2, 2)
for i, sp in enumerate(set(df["htype"])):
    df_species = df[df['htype'] == sp]
    ds = df_species.loc[:,["B-Mag","K-Mag","J-Mag"]] 
    ds = ds.dropna(how='any')
    bj = ds["B-Mag"] - ds["J-Mag"]   
    ax.scatter(ds["B-Mag"],bj,label=sp, s=2)
plt.xlabel("B")
plt.ylabel("B-J")
plt.legend(bbox_to_anchor=(0., 1.01, 1., 0.01), loc='lower left',borderaxespad=0.,fontsize=8)

plt.savefig("ngc_bk_bj.png")
plt.show()

生成される図

ngc_bk_bj.png

0
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
1