LabPlot на Python: пакетная обработка спектров без ручной возни за 40 минут

Исходный материал описывает полный рабочий процесс, построенный по образцу LabPlot: от импорта табличных данных и описательной статистики до фильтрации Фурье, детектирования пиков, нелинейной подгонки и пакетной обработки температурных серий. Всё это реализовано на Python с библиотеками NumPy, SciPy, Matplotlib и Pandas, а результаты сохраняются в формате, совместимом с файлами проекта LabPlot (.lml).

Что понадобится?

• Python 3.9+ с библиотеками NumPy, SciPy, Matplotlib, Pandas (стандартный научный стек, ставится одной командой)
• LabPlot (необязательно, но удобно для визуальной проверки .lml-файлов; программа бесплатная, работает на Linux, Windows, macOS)
• Google Colab или локальная среда Jupyter Notebook
• Спектроскопические данные в текстовом формате (CSV, TSV или любой разделитель)
• Около 40 минут на первый прогон, дальше пакетная обработка запускается за секунды

Пошаговая инструкция

1. Установите окружение и создайте папку для результатов

import os, sys, numpy as np, pandas as pd
import matplotlib.pyplot as plt
from scipy import signal, stats, optimize

OUT = os.path.join(os.getcwd(), "labplot_out")
os.makedirs(OUT, exist_ok=True)

Скрипт сам определяет, запущен ли он в Google Colab, и выбирает путь. Попытка подключить библиотеку pylabplot происходит автоматически, но если её нет, код работает в режиме эмуляции.

2. Воспроизведите структуру проекта LabPlot в Python

В LabPlot данные организованы в «дерево аспектов» (aspect tree): проект содержит таблицы (Spreadsheet), таблицы содержат колонки (Column). Каждая колонка имеет тип данных (ColumnMode) и назначение для графика (PlotDesignation), например «ось X», «ось Y», «погрешность Y».

В Python это воспроизводится через классы с наследованием:

# Базовый класс — «аспект» с именем и деревом потомков
class AbstractAspect:
    def __init__(self, name, comment=""):
        self._name = name
        self.children = []

# Column — типизированный вектор данных
# Spreadsheet — набор колонок
# Project — корень дерева

Такая архитектура позволяет вызвать project.tree() и увидеть всю структуру проекта, как в боковой панели LabPlot.

3. Импортируйте табличные данные через AsciiFilter

Класс AsciiFilter повторяет логику импорта текстовых файлов из LabPlot: автоопределение разделителя, пропуск комментариев (строки с «#»), выбор диапазона строк и столбцов.

# separator="auto" пробует табуляцию, точку с запятой, запятую, пробел
# headerEnabled=True — первая строка станет именами колонок

На выходе вы получаете объект Spreadsheet с колонками, готовыми к анализу.

4. Посчитайте описательную статистику

Метод column.statistics() возвращает 20 величин, которые LabPlot показывает в диалоге «Column Statistics»: минимум, максимум, среднее арифметическое, геометрическое, гармоническое, медиану, квартили, дисперсию, стандартное отклонение, асимметрию (skewness), эксцесс (kurtosis), энтропию и другие.

Каждая колонка умеет рисовать «спарклайн» (sparkline) — миниатюрный текстовый график прямо в консоли, как это делает LabPlot начиная с версии 2.11.

5. Очистите сигнал от периодических помех

Здесь LabPlot Python пайплайн применяет анализ Фурье (преобразование сигнала из временной области в частотную) и фильтрацию: находит частоту помехи в спектре, подавляет её и возвращает очищенный сигнал.

# Фурье-анализ: np.fft.rfft / np.fft.irfft
# Сглаживание: scipy.signal.savgol_filter
# Дифференцирование: np.gradient

6. Найдите пики и подгоните многопиковую модель

Детектирование пиков (scipy.signal.find_peaks) определяет положения максимумов. Затем строится модель из нескольких гауссиан (колоколообразных кривых), и нелинейная подгонка (scipy.optimize.curve_fit) находит амплитуду, центр и ширину каждого пика.

Результат включает статистическую диагностику: остатки (residuals), то есть разницу между данными и моделью, показывают, насколько хорошо модель описывает спектр.

7. Визуализируйте результаты и сохраните проект

Matplotlib генерирует графики с оформлением, приближённым к стилю LabPlot: автоматические минорные деления осей, подписи, легенды. Графики экспортируются в PNG или PDF, а данные проекта сохраняются в XML-файлы формата .lml, которые LabPlot может открыть напрямую.

8. Запустите пакетную обработку серии спектров

Тот же пайплайн оборачивается в цикл: каждый файл из папки обрабатывается автоматически, параметры пиков собираются в сводную таблицу, и по ней можно строить вторичные зависимости, например сдвиг пика от температуры.

Что делать с этим прямо сейчас?

Авторам Дзена, пишущим о науке и технологиях: это готовый каркас для статьи-кейса. Возьмите один шаг из инструкции, покажите скриншот до и после фильтрации — такие материалы собирают сохранения, потому что читатель возвращается к ним как к шпаргалке.

Маркетологам и аналитикам: пайплайн работает не только со спектрами. Любые данные с периодическими колебаниями (сезонность продаж, суточные циклы трафика) обрабатываются тем же кодом: фильтрация Фурье убирает шум, find_peaks находит аномалии.

Предпринимателям и руководителям лабораторий в РФ: LabPlot — бесплатная альтернатива Origin и Igor Pro, обе из которых продаются по западным лицензиям. Связка LabPlot Python снимает зависимость от коммерческого ПО, а .lml-файлы хранят и данные, и параметры обработки, что полезно при аудите или публикации.

Связка LabPlot Python превращает ручную лабораторную рутину в воспроизводимый скрипт, который запускается одной командой и отдаёт результат в открытом формате, без привязки к дорогим лицензиям.