-
Notifications
You must be signed in to change notification settings - Fork 0
/
mcPlots.py
212 lines (174 loc) · 8.23 KB
/
mcPlots.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
# -*- coding: utf-8 -*-
#Para leer el comando con las instrucciones
import numpy as np
from Selector import Selector
from Plotter import Plotter
import ROOT as r
import subprocess
import copy
r.gStyle.SetOptStat(0)
r.gROOT.SetBatch(1)
def read_mca(mca='' , data = 'True', folder = './PruebaMcPlots', selection = []):
if mca == '':
print('No has especificado el archivo de montecarlo. \n')
else:
lectura = np.loadtxt(mca, dtype='str' ,delimiter = ':')
lectura = np.char.strip(lectura) #elimina los espacios que hay en el txt
MCsamples = lectura[1:,1] #asigna las muestras y colores
colors = []
for i in lectura[1:,2]:
colors.append(int(i))
if data == 'True': #para el caso que haya datos
plot = Plotter(MCsamples, 'data', folder, selection)
plot.SetColors(colors)
return plot
else: #para el caso que no haya datos
plot = Plotter(MCsamples, '', folder, selection)
plot.SetColors(colors)
return plot
def drawer(options=''):
'''
El comando tiene esta estructura:
-[0]: mca
-[1]: data (true o false)
-[2]: carpeta donde guardar los plots
-[3]: plots a dibujar
'''
#subprocess.call("./script.sh", shell=True)
comando = np.loadtxt('command.txt', dtype=('str') , delimiter = '--', comments='&') #Comentarios senalados por &
comando = np.char.strip(comando)
#-----Cortes------
cortes = comando[5]
cortes = np.char.strip(cortes.split(','))
cortes_val = []
for i in range(0,len(cortes)):
M = np.char.strip(cortes[i].split('='))
cortes_val.append(float(M[1]))
#-----Cortes------
plot = read_mca(mca = comando[0], data = comando[1], folder = comando[2], selection = cortes_val)
graficas = comando[3]
titulos_graficas = comando[4]
titulos_graficas = np.char.strip(titulos_graficas.split(','))
#---Seleccion de graficas a pintar---
contador = 0
for i in np.char.strip(graficas.split(',')):
plot.SetXtitle(titulos_graficas[contador])
plot.SetYtitle('Events')
plot.SetTitle(' ')
if i == 'NJet' or i == 'NJets_NBJets' or i == 'NBJets':
plot.SetYaxislog()
plot.Stack(i)
contador += 1
#---Seleccion de graficas a pintar---
eff_trigg = plot.Trigger_Eff("MuonPt", "MuonPt_notrigg","MuonPt_forEff","MuonPt_notrigg_forEff")
print('La eficiencia de trigger para pt > %3d GeV: %3.3f +- %3.3f' %(cortes_val[0],eff_trigg,(1-eff_trigg)/2))
#---Calculo xsection----------
muestras,eventos = plot.GetCounts("EventWeight")
contador = 0
fondo = 0
for nombre in muestras:
if nombre == 'ttbar':
ttbar = eventos[contador]
elif nombre == 'data':
datos = eventos[contador]
else:
fondo += eventos[contador]
contador += 1
stat_fondo = (fondo)**(0.5)
stat_datos = (datos)**(0.5)
Lumi = 50
unc_Lumi = 0.1
BR = 0.09732*2
Acceptance, unc_Acceptance = plot.calc_aceptancia("EventWeight_gen","EventWeight_gen_tot",BR)
eff_muons = 0.99
#eff_btag = 0.8
unc_eff_muons = 0.01/0.99
#unc_eff_btag = 0.1
unc_eff_trigg = (1-eff_trigg)/2
eff_btag, unc_eff_btag = plot.calc_btag_eff("NBJets_correcto","NBJets")
eff_tot = eff_trigg*eff_muons*eff_btag
print('La eficiencia de btag es: %3.3f +- %3.3f' %(eff_btag,unc_eff_btag))
eficiencias = np.array([eff_muons,eff_btag,eff_trigg])
unc_eficiencias = np.array([unc_eff_muons,unc_eff_btag,unc_eff_trigg])
xsection = (datos-fondo)/(BR*Lumi*Acceptance*eff_tot)
#-------Incertidumbres sistemáticas--------
lectura2 = np.loadtxt('syst_unc.txt', dtype='str' ,delimiter = ':')
lectura2 = np.char.strip(lectura2) #elimina los espacios que hay en el txt
MCmuestras = lectura2[:,1]
MCUnc = lectura2[:,2]
contador1 = 0
nombres_sistematicos = []
delta_xsection_up = []
delta_xsection_down = []
for name in MCmuestras: #propagación incertidumbre en normalización muestras MC
contador2 = 0
nombres_sistematicos.append(name)
for name2 in muestras:
if name == name2:
fondo_up = fondo + eventos[contador2]*float(MCUnc[contador1])
fondo_down = fondo - eventos[contador2]*float(MCUnc[contador1])
xsection_up = (datos-fondo_up)/(BR*Lumi*Acceptance*eff_tot)
xsection_down = (datos-fondo_down)/(BR*Lumi*Acceptance*eff_tot)
delta_xsection_up.append(abs(xsection-xsection_up)) #la diferencia entre el valor nominal y la variación me da la incertidumbre asociada a ese sistemático sobre la xsection
delta_xsection_down.append(abs(xsection-xsection_down))
contador2 +=1
contador1 += 1
nombres_sistematicos.append('reco_muones')
nombres_sistematicos.append('b-tag')
nombres_sistematicos.append('trigger')
for i in range(0,len(eficiencias)): #Propagación incertidumbre en eficiencias
xsection_eff_up = (datos-fondo)/(BR*Lumi*Acceptance*((eff_tot*(eficiencias[i]+eficiencias[i]*unc_eficiencias[i]))/eficiencias[i]))
xsection_eff_down = (datos-fondo)/(BR*Lumi*Acceptance*((eff_tot*(eficiencias[i]-eficiencias[i]*unc_eficiencias[i]))/eficiencias[i]))
delta_xsection_up.append(abs(xsection-xsection_eff_up))
delta_xsection_down.append(abs(xsection-xsection_eff_down))
nombres_sistematicos.append('aceptancia')
delta_xsection_up.append(abs(xsection-((datos-fondo)/(BR*Lumi*(Acceptance+unc_Acceptance)*eff_tot)))) #Propagación incertidumbre aceptancia
delta_xsection_down.append(abs(xsection-((datos-fondo)/(BR*Lumi*(Acceptance-unc_Acceptance)*eff_tot))))
delta_xsection_lumi_up = abs(xsection-((datos-fondo)/(BR*(Lumi+Lumi*unc_Lumi)*Acceptance*eff_tot)))
delta_xsection_lumi_down = abs(xsection-((datos-fondo)/(BR*(Lumi-Lumi*unc_Lumi)*Acceptance*eff_tot)))
delta_xsection_up_sys = np.sqrt(np.dot(np.array(delta_xsection_up),np.array(delta_xsection_up)))
delta_xsection_down_sys = np.sqrt(np.dot(np.array(delta_xsection_down),np.array(delta_xsection_down)))
#-------Incertidumbres sistemáticas--------
#-------Incertidumbres estadísticas--------
delta_xsection_stat_up = []
delta_xsection_stat_down = []
delta_xsection_stat_up.append(abs(xsection-((datos+stat_datos-fondo)/(BR*Lumi*Acceptance*eff_tot))))
delta_xsection_stat_up.append(abs(xsection-((datos-fondo-stat_fondo)/(BR*Lumi*Acceptance*eff_tot))))
delta_xsection_stat_down.append(abs(xsection-((datos-stat_datos-fondo)/(BR*Lumi*Acceptance*eff_tot))))
delta_xsection_stat_down.append(abs(xsection-((datos-fondo+stat_fondo)/(BR*Lumi*Acceptance*eff_tot))))
stat_xsection_up = np.sqrt(np.dot(np.array(delta_xsection_stat_up),np.array(delta_xsection_stat_up)))
stat_xsection_down = np.sqrt(np.dot(np.array(delta_xsection_stat_down),np.array(delta_xsection_stat_down)))
#-------Incertidumbres estadísticas--------
print('La seccion eficaz experimental del proceso ttbar es: %3.3f (+ %3.3f - %3.3f)(Stat.)(+ %3.3f - %3.3f)(Syst.) (+ %3.3f - %3.3f)(Lumi.) pb' %(xsection,stat_xsection_up,stat_xsection_down,delta_xsection_up_sys,delta_xsection_down_sys,delta_xsection_lumi_up,delta_xsection_lumi_down))
plot.SaveCounts("MuonPt")
plot.SaveCounts("EventWeight")
plot.SaveCounts("EventWeight_gen_tot")
plot.SaveCounts("MuonPt_gen")
archivo = open(comando[2] + "/yields_MuonPt.txt","a")
archivo.write('La seccion eficaz experimental del proceso ttbar es: %3.3f (+ %3.3f - %3.3f)(Stat.)(+ %3.3f - %3.3f)(Syst.) (+ %3.3f - %3.3f)(Lumi.) pb \n' %(xsection,stat_xsection_up,stat_xsection_down,delta_xsection_up_sys,delta_xsection_down_sys,delta_xsection_lumi_up,delta_xsection_lumi_down))
archivo.write('La eficiencia de trigger para pt >= %3d GeV: %3.3f +- %3.3f \n' %(cortes_val[0],eff_trigg,(1-eff_trigg)/2))
archivo.write('La eficiencia de btag es: %3.3f +- %3.3f \n' %(eff_btag,unc_eff_btag))
archivo.write('La aceptancia es: %3.3f +- %3.3f \n' %(Acceptance, unc_Acceptance))
archivo.write(' \n')
archivo.write('%10s %10s \n' %('Sistematico','Impact'))
cont = 0
tot_sys = delta_xsection_up+delta_xsection_down
tot_sys = np.sum(np.array(tot_sys))/2
for nombre in nombres_sistematicos:
impact = ((delta_xsection_up[cont]+delta_xsection_down[cont])/(2*tot_sys))*100
archivo.write('%10s %10.3f \n' %(nombre,impact))
cont += 1
archivo.close()
return
#---Calculo xsection----------
drawer()
'''
print(r.kOrange+10)
print(r.kCyan)
print(r.kGray)
print(r.kGray+2)
print(r.kViolet-4)
print(r.kGreen-5)
print(r.kAzure-9)
print(r.kGreen+4)
'''