.. -- mode: rst --

======================================= AstroML：天文学中的机器学习

.. image:: https://img.shields.io/badge/arXiv-1411.5039-orange.svg?style=flat :target: https://arxiv.org/abs/1411.5039 :alt: 参考论文 .. image:: https://github.com/astroML/astroML/workflows/CI/badge.svg :target: https://github.com/astroML/astroML/actions?query=workflow%3ACI :alt: GitHub Actions CI 状态 .. image:: https://img.shields.io/pypi/v/astroML.svg?style=flat :target: https://pypi.python.org/pypi/astroML :alt: 最新 PyPI 版本 .. image:: https://img.shields.io/pypi/dm/astroML.svg?style=flat :target: https://pypi.python.org/pypi/astroML :alt: PyPI 下载统计 .. image:: https://img.shields.io/badge/license-BSD-blue.svg?style=flat :target: https://github.com/astroml/astroml/blob/main/LICENSE.rst :alt: 许可证徽章

AstroML 是一个基于 numpy、scipy、scikit-learn 和 matplotlib 构建的 Python 机器学习与数据挖掘模块，采用 BSD 许可证进行分发。 它包含一个不断增长的用于分析天文数据的统计和机器学习例程库、 多个开放天文数据集的加载器，以及大量分析和可视化天文数据集的示例。

该项目于 2012 年由 Jake VanderPlas 发起，旨在配合 Zeljko Ivezic、 Andrew Connolly、Jacob VanderPlas 和 Alex Gray 合著的书籍 《天文学中的统计学、数据挖掘与机器学习》。

重要链接

• HTML 文档：https://www.astroML.org
• 核心源代码仓库：https://github.com/astroML/astroML
• 图表源代码仓库：https://github.com/astroML/astroML-figures
• 问题跟踪器：https://github.com/astroML/astroML/issues
• 邮件列表：https://groups.google.com/forum/#!forum/astroml-general

安装

在安装之前，请确保您的系统满足下方“依赖项”中列出的先决条件。

核心

要在您的主目录中安装 astroML 核心包，请使用：

pip install astroML

此外，astroML 的 conda 包也可在 conda-forge 或 astropy 的 conda 通道中获取：

conda install -c astropy astroML

核心包是纯 Python 实现，因此在大多数系统上安装都应十分顺利。 若要从源码安装，请执行：

python setup.py install

您可以通过以下命令指定任意安装目录：

python setup.py install --prefix='/some/path'

要在 Linux/Unix 系统上进行全局安装：

python setup.py build sudo python setup.py install

依赖项

AstroML 中存在两类依赖项。核心依赖项是 astroML 核心包所必需的。 可选依赖项则用于运行部分（而非全部）示例脚本。每个示例脚本会在文件顶部列出其可选依赖项。

核心依赖项

astroML 核心包需要以下软件（部分功能可能在较旧版本上也能运行）：

• Python_ 3.6 及以上版本
• Numpy_ 1.13 或更高版本
• Scipy_ 0.19 或更高版本
• Scikit-learn_ 0.18 或更高版本
• Matplotlib_ 3.0 或更高版本
• AstroPy_ 3.0 或更高版本

可选依赖项

若干示例脚本需要特定或更新的软件包。这些要求会在相应脚本的顶部列出。

• HEALPy_ 提供对 HEALPix 像素化方案的接口，以及快速球谐变换功能。

开发

本软件包旨在成为高质量天文代码的存储库，我们鼓励提交新的算法实现。 在安装版本控制系统 Git_ 后，您可以从 GitHub_ 获取最新源码：

git clone git://github.com/astroML/astroML.git

或者，如果您拥有写入权限：

git clone git@github.com:astroML/astroML.git

贡献

我们强烈鼓励贡献有用的天文相关代码：为了使 astroML 成为 Python 与天文学社区的重要工具，它需要随着研究领域的不断发展而壮大。 以下是贡献的一些指导原则：

一般规则

所有贡献都应通过 GitHub 的拉取请求系统完成（更多信息请参阅
`帮助页面 <https://help.github.com/articles/using-pull-requests>`_）。
提交到 ``astroML`` 的代码应遵循 BSD 风格的许可证，并符合
`PEP8 编码规范 <http://www.python.org/dev/peps/pep-0008/>`_。

文档与示例

所有提交的代码都应按照 Numpy 文档指南_ 进行文档编写。 这是 scipy 生态系统中许多软件包所采用的统一文档风格。

此外，强烈建议创建示例脚本，以展示该方法在天文数据集上的实用性， 最好能利用 astroML.datasets 中的加载器。这些示例脚本位于主源代码仓库的 examples 子目录中。

.. _Numpy Documentation Guide: https://numpydoc.readthedocs.io/en/latest/format.html

作者

软件包作者

• Jake Vanderplas https://github.com/jakevdp http://jakevdp.github.com

维护者

• Brigitta Sipocz https://github.com/bsipocz

贡献者

• Alex Conley
• Andreas Kopecky
• Andrew Connolly
• Asif Imran
• Benjamin Alan Weaver
• Brigitta Sipőcz
• Chris Desira
• Daniel Andreasen
• Dino Bektešević
• Edward Betts
• Hans Moritz Günther
• Hugo van Kemenade
• Jake Vanderplas
• Jeremy Blow
• Jonathan Sick
• Joris van Vugt
• Juanjo Bazán
• Julian Taylor
• Lars Buitinck
• Michael Radigan
• Morgan Fouesneau
• Nicholas Hunt-Walker
• Ole Streicher
• Pey Lian Lim
• Rodrigo Nemmen
• Ross Fadely
• Vlad Skripniuk
• Zlatan Vasović
• Engineero
• stonebig

.. _Python: https://www.python.org .. _Numpy: https://www.numpy.org .. _Scipy: https://www.scipy.org .. _Scikit-learn: https://scikit-learn.org .. _Matplotlib: https://matplotlib.org .. _AstroPy: http://www.astropy.org/ .. _HEALPy: https://github.com/healpy/healpy .. _Git: https://git-scm.com/ .. _GitHub: https://www.github.com

AstroML 快速上手指南

AstroML 是一个专为天文学设计的 Python 机器学习与数据挖掘工具包。它基于 NumPy、SciPy、Scikit-learn 和 Matplotlib 构建，提供了丰富的统计算法、天文数据集加载器以及大量分析与可视化示例。

环境准备

在开始之前，请确保您的系统满足以下核心依赖要求：

• Python: 版本 3.6 或更高
• NumPy: >= 1.13
• SciPy: >= 0.19
• Scikit-learn: >= 0.18
• Matplotlib: >= 3.0
• AstroPy: >= 3.0

提示：部分示例脚本可能需要额外的可选依赖（如 healpy），具体需求会在对应脚本文件的顶部注明。

安装步骤

您可以选择使用 pip 或 conda 进行安装。国内用户建议使用国内镜像源以加速下载。

方法一：使用 pip 安装（推荐）

使用清华或阿里云镜像源安装核心包：

pip install astroML -i https://pypi.tuna.tsinghua.edu.cn/simple

或者使用默认源：

pip install astroML

方法二：使用 conda 安装

如果您使用 Anaconda 或 Miniconda，可以通过 astropy 频道安装：

conda install -c astropy astroML

方法三：从源码安装

如需获取最新开发版本或自定义安装路径：

git clone git://github.com/astroML/astroML.git
cd astroML
python setup.py install

基本使用

AstroML 的核心功能包括数据集加载、机器学习模型应用以及天文数据可视化。以下是一个最简单的使用示例，演示如何加载内置数据集并进行基础处理。

示例：加载数据集并查看信息

from astroml.datasets import fetch_sdss_sspp

# 加载 SDSS SSPP 数据集
data = fetch_sdss_sspp()

# 查看数据基本信息
print(f"数据形状: {data.data.shape}")
print(f"特征名称: {data.feature_names}")

# 提取特定特征（例如：表面重力 logg）
logg = data.data[:, 4] 

# 简单的统计描述
import numpy as np
print(f"logg 均值: {np.mean(logg)}")
print(f"logg 标准差: {np.std(logg)}")

示例：结合 Scikit-learn 进行聚类分析

由于 AstroML 深度集成 Scikit-learn，您可以直接使用其算法处理天文数据：

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 选取前两个特征进行聚类演示
X = data.data[:, :2]

# 初始化并训练 K-Means 模型
kmeans = KMeans(n_clusters=3, random_state=42)
labels = kmeans.fit_predict(X)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis', s=10, alpha=0.5)
plt.xlabel(data.feature_names[0])
plt.ylabel(data.feature_names[1])
plt.title("SDSS Data Clustering with AstroML & Scikit-learn")
plt.show()

更多详细示例和高级用法，请访问官方文档：https://www.astroML.org