doc/JupyterServer.md

@@ -4,9 +4,13 @@
 
 Mit dem Wintersemester 2024/2025 wurde das P1-Praktikum der Fakultät für Physik in eine landesweites Projekt zur Bereitstellung eine Jupyter-Service für alle Universitäten in Baden-Württemberg aufgenommen worden. Zugang zum Jupyter-Server des KIT erhalten Sie über die Webadresse: 
 
-[https://jupyter-test.scc.kit.edu/](https://jupyter-test.scc.kit.edu/). 
+[https://www.bwjupyter.de/](https://www.bwjupyter.de/). 
 
-Als Login verwenden Sie Ihren Studierenden-Account am KIT. Die Freischaltung erfolgt durch die Praktikumsleitung nach abgeschlossener Anmeldung zum Kurs. Wählen Sie, wenn Sie danach gefragt werden, die Option **Physik Praktikum** aus und starten Sie den Server. 
+Als Login verwenden Sie Ihren Studierenden-Account am KIT. Wählen Sie das Profile
+
+**KIT Praktikum Klassische Physik (P1/P2)**.
+
+Alternative können Sie diesen [Direkt-Link](https://hub.bwjupyter.de/services/profilemanagement/add?profile=12349c82-c8bc-4ab0-bce3-7a1ab4174006) verwenden. 
 
 ## Einrichten der Versuche
 
@@ -18,7 +22,7 @@ Nach dem Start sollten Sie ein zweigeteiltes Fenster in Ihrer Arbeitsumgebung au
 
 <img src="../figures/JupyterAccount.png" alt="figures" style="zoom:100%;" />
 
-**Abbildung 1** (Arbeitsumgebung nach dem Start es Jupyter-Servers der Fakultät)
+**Abbildung 1** (Arbeitsumgebung nach dem Start es bwJupyter-Servers)
 
 ---
 
@@ -32,7 +36,7 @@ Die jeweils aktuelle Version aller Versuchsanleitungen und die dazugehörigen Da
 
 * [https://gitlab.kit.edu/kit/etp-lehre/p2-praktikum/students](https://gitlab.kit.edu/kit/etp-lehre/p2-praktikum/students). 
 
-**Abbildung 2** gibt Ihnen eine Vorstellung, wie die Webseite des SCC gitlab-Servers für das **Repository des P1-Praktikums** in etwa aussieht. Beachten Sie, dass dieses Bild nicht den aktuellen Zustand des Servers widerspiegeln muss.  
+**Abbildung 2** gibt Ihnen eine Vorstellung davon, wie die Webseite des SCC gitlab-Servers für das **Repository des P1-Praktikums** in etwa aussieht. Beachten Sie, dass dieses Bild nicht den aktuellen Zustand des Servers widerspiegeln muss.  
 
 ---
 

tools/kafe2_exampe.ipynb

 %% Cell type:markdown id:d610ba33-bd24-41b0-957b-7f1ca8d7edf7 tags:
 
 # Auswertung von Daten mit *kafe2*
 
 Die folgenden Beispiele sollten auf dem Jupyter-Server ohne Probleme ausführbar sein. Folgen Sie den Kommentaren in den Beispielen, um zu sehen, wie Sie [kafe2](https://etpwww.etp.kit.edu/~quast/kafe2/htmldoc/index.html) für die Auswertung Ihrer Praktikumsversuche in Jupyter-notebook verwenden können. Beginnen Sie z.B. damit die für Ihren Fall passende Code-Zelle in Ihr Protokoll zu kopieren und passen Sie Daten und Modell-Funktion an Ihre Messung an.
 
 Wenn Sie kafe2 intensiver nutzen und verstehen möchten lohnt es sich etwas Zeit darauf zu verwenden, um ein wenig in der Dokumentation zu stöbern. Das Programm-Paket kafe2 ist *open source* und mit einigen Zusatzpaketen rein python-basiert installierbar.
 
 %% Cell type:markdown id:da418cb0-c9f8-4cf5-a3a1-df5dc3a42d16 tags:
 
 ## Anpassung eines benutzerdefinierten Modells an die Daten
 
 %% Cell type:markdown id:ebeea392-dd08-4d71-93e4-bfa5d4b521e1 tags:
 
 Im folgenden Code-Beispiel aus der Dokumentation von kafe2 sehen Sie die allgemeine Verwendung für die Anpassung einer beliebigen Modell-Funktion, die Sie zuvor definiert haben, an die Daten. In diesem Fall handelt es sich um eine Exponentialfunktion
 
 $$
 f(x) = A_{0}\,\exp\left(-x/\tau\right)
 $$
 
 mit den freien Parametern $A_{0}$ und $\tau$:
 
 %% Cell type:code id:b859057b-2439-4538-8101-b6a083a65207 tags:
 
 ``` python
 # Here we import all relevant modules and objects from numpy and kafe2. For
 # kafe2 these are of types "Fit", "Plot", and "ContourProfiler"
 import numpy as np
 from kafe2 import Fit, Plot, ContoursProfiler
 
 # This is the model function that we want to fit to the data. In this case it
 # is an exponential function with parameters "A_0" und "tau"
 def exponential(x, A_0=1, tau=1):
     return A_0 * np.exp(-x/tau)
 
 # Here we make the data points known to python. Note that the fit requires
 # x- and y-values PLUS CORRESPONDING UNCERTAINTIES IN BOTH VALUES. In summary
 # four numbers are required for each data point. You can pass these numbers
 # as python lists; the i-th entries of each list correspond to each other.
 #
 # ---Values have been made up for this example---
 
 # Values in x; in the following x has the format of a python list
 x = [8.018943e-01, 1.839664e+00, 1.941974e+00, 1.276013e+00, 2.839654e+00, 3.488302e+00,
      3.775855e+00, 4.555187e+00, 4.477186e+00, 5.376026e+00]
 # Uncertainties in x. Here xerr is a single value, which is used "pars pro
 # toto" for all values in x
 xerr = 3.000000e-01
 # Values in y; in the following x has the format of a python list. The length
 # of y must coincide with the length of x, so that the values can be paired
 y = [2.650644e-01, 1.472682e-01, 8.077234e-02, 1.850181e-01, 5.326301e-02, 1.984233e-02,
      1.866309e-02, 1.230001e-02, 9.694612e-03, 2.412357e-03]
 # Uncertainties in y. These are again passed as a list, the length of which
 # again has to coincide with the length of y
 yerr = [1.060258e-01, 5.890727e-02, 3.230893e-02, 7.400725e-02, 2.130520e-02, 7.936930e-03,
         7.465238e-03, 4.920005e-03, 3.877845e-03, 9.649427e-04]
 
 # Here an object of type "Fit" with the name "fit2 is created. The constructor
 # takes to arguments: "data" is a list of lists, containing the values in x
 # and y; "model_function" is a pointer to the exponential function that has
 # been defined above
 fit = Fit(data=[x, y], model_function=exponential)
 # Pass the uncertainties in x to fit
 fit.add_error(axis='x', err_val=xerr)
 # Pass the uncertainties in y to fit
 fit.add_error(axis='y', err_val=yerr)
 # Do the fit
 fit.do_fit()
 # Print a report with asymmetric uncertainty estimate (in numbers) to screen
 fit.report(asymmetric_parameter_errors=True)
 
 # Here we display the data points and the fitted function. For this purpose an
 # object of type "Plot" with name "plot" is created. The object "fit" is passed
 # as argument to the constructor of "plot". With this step both the data points
 # including the uncertainties in x and y, and the model function including the
 # optimized parameters with uncertainties are known to "plot". Two more optional
 # parameters are used: asymmetric uncertainties will not be symmetrized (this
 # would be a default behavior otherwise). Instead they are displayed as
 # asymmetric error bars; furthermore the ratio of the data points over the
 # model prediction will be shown in an additional panel of the figure
 plot = Plot(fit)
 plot.plot(asymmetric_parameter_errors=True, ratio=True)
 
 # The object "cpf" of type ContoursProfiler displays the contours of all
 # uncertainties in all fit parameters. In these case there are "A_0" and "tau"
 cpf = ContoursProfiler(fit)
 cpf.plot_profiles_contours_matrix()
 
 # This call is required to really display the figures on the screen. This also
 # guarantees that they will be attached to the Jupyter-notebook, so that they
 # can also be exported to pdf.
 plot.show()
 ```
 
 %% Cell type:markdown id:105a0e83-f6ae-4eba-a87f-41e2ad3a6132 tags:
 
 ## Einlesen größerer Datensätze
 
 %% Cell type:markdown id:c28a2908-91e2-4675-be45-52f5fbd67dd6 tags:
 
 Nicht immer können Sie die Daten von Hand ins Juyter-notebook eintragen. Im folgenden Code-Beispiel zeigen wir Ihnen, wie man Daten aus einer *csv*-Datei einließt und zur Weiterverarbeitung in *kafe2* an einen `XYContainer` weitergibt.
 
 %% Cell type:code id:2c8415c9-a98f-4a44-b235-82993995f843 tags:
 
 ``` python
 import pandas as pd
 from kafe2 import XYContainer
 
 # Read data from cvs files
 df = pd.read_csv("MY_DATA.csv")
 # Fill XYContainer
-xy_data = XYContainer(x_data=df["FIRST_COUMN"].to_list(),
+xy_data = XYContainer(x_data=df["FIRST_COLUMN"].to_list(),
                       y_data=df["SECOND_COLUMN"].to_list())
 # Puruse further processing in kafe2...
 ```
 
 %% Cell type:markdown id:68a61a69-9aca-46c3-8321-becf34358679 tags:
 
 ## Lineare Anpassung an die Daten
 
 %% Cell type:markdown id:0cf816f0-48ee-46cb-9486-f9660ebd6bd1 tags:
 
 Im folgenden Code-Beispiel aus der Dokumentation von kafe2 sehen Sie die Verwendung für die Anpassung einer Geraden and die Daten. Dieses Beispiel ist konzeptionell etwas einfacher, als das vorherige, es zeigt jedoch einige weitere *features*, die Sie für Ihre Auswertungen nutzen können.
 
 %% Cell type:code id:fda9b096-7cb5-4934-ae8a-bbef464b99c3 tags:
 
 ``` python
 # Here we import the relevant modules and objects from kafe2. In this case
 # these are objects of type Fit, Plot and XYContainer
 from kafe2 import XYContainer, Fit, Plot
 
 # Here we create the object "xy_data" of type XYContainer to manage the data
 # in a slightly more compact way. The data points are (1.0, 2.3), (2.0, 4.2),
 # (3.0, 7.5) und (4.0, 9.4)
 xy_data = XYContainer(x_data=[1.0, 2.0, 3.0, 4.0],
                       y_data=[2.3, 4.2, 7.5, 9.4])
 # For this example pass the same uncertainty in x to all data points
 xy_data.add_error(axis='x', err_val=0.1)
 # For this example pass the same uncertainty in y to all data points
 xy_data.add_error(axis='y', err_val=0.4)
 # This is how the data points will be label in the legend when displayed
 xy_data.label = 'Data'
 
 # Here we create again an object of type "Fit" with the name "line_fit". This
 # time the data are passed through the XYContainer object "xy_data". Moreover
 # we do not pass a pointer to a predefined model function. Per default the fit
 # will assume a linear model (f(x;a,b)=a*x+b) with the parameters a and b in
 # this case.
 line_fit = Fit(data=xy_data)
 # Do the fit; this will throw a warning if no uncertainties were specified
 line_fit.do_fit()
 # Print a report to screen
 line_fit.report()
 
 # Here the data points and the fitted model function are displayed again in a
 # figure
 plot = Plot(fit_objects=line_fit)
 # Set x-axis label.
 plot.x_label = 'x'
 # Set y-axis label.
 plot.y_label = 'y'
 # Do the plot.
 plot.plot()
 # With the following call you save the figure not in the Jupyter-notebook, but
 # in the desired format in your environment
 # plot.save()              # Saves the plot to png file 'fit.png' .
 # plot.save('my_fit.pdf')  # Saves the plot to pdf file 'my_fit.pdf'
 
 # This call is required to really display the figures on the screen. This also
 # guarantees that they will be attached to the Jupyter-notebook, so that they
 # can also be exported to pdf.
 plot.show()
 # NOTE: Calling matplotlib.pyplot.show() closes all figures by default so call
 # this AFTER saving.
 ```