简介：SdHAnalysis是一套面向凝聚态物理研究者的量子振荡数据处理代码包，基于Python实现，专用于分析脉冲和直流磁场下测量的Shubnikov-de Haas振荡。包内共4个文件，包含2个Python脚本（核心分析函数与峰识别工具）、1个Jupyter Notebook示例和1个Markdown说明文档，压缩包整体仅367KB，轻量便于部署与二次开发。目前已有175人学习使用。代码围绕SdH数据集类展开，覆盖数据导入清理、逆磁场均匀插值、多项式背景扣除、FFT峰识别、滤波分离各轨道信号、振幅计算以及Lifshitz-Kosevich理论拟合等完整流程，可用于提取有效质量、g因子、Dingle温度等关键材料参数，为后续分析磁断裂轨道和量子振荡机制提供数据基础。附带的示例与说明文档能帮助快速掌握调用方式，降低入门门槛，适合有一定Python基础、需要系统处理磁阻振荡数据的科研人员参考。 做量子振荡数据分析这些年，我最大的感受是：测量数据从仪器里导出来的那一刻，工作其实才开始了。真正耗时间、也最考验功底的，是从一条包含大量背景的原始曲线里，把振荡信号干净地“抠”出来，再把它变成费米频率、有效质量这些物理参数。今天我就把自己常用的数据处理流程和配套代码完整梳理一遍，讲的都是实际跑过的方案和踩过的坑，希望能给正在做dHvA或SdH数据分析的朋友一些参考。
这个话题适合所有涉及强磁场输运测量、量子材料物性研究，以及刚开始接触量子振荡数据处理的研究生和科研人员。无论你用的是PPMS还是自己搭的低温强磁场平台，无论数据来自磁化测量还是电阻测量，这套流程的骨架都是通用的。
1. 量子振荡分析到底在做什么
1.1 量子振荡现象与数据处理目标
量子振荡通俗讲，就是样品的磁化强度或电阻率在磁场升高时出现周期性的振荡。物理根源是朗道能级在磁场下量子化，随着磁场增强，这些能级依次扫过费米面，导致态密度周期性调制。宏观上就表现为随 (1/B) 等间隔的振荡，也就是de Haas-van Alphen效应和Shubnikov-de Haas效应。
数据处理的目标是把这些振荡提取出来，然后解析出三个核心物理量：振荡频率 (F)、有效质量 (m^*)、以及散射相关的Dingle温度 (T_D)。其中频率 (F) 直接对应费米面的极值截面面积，关系式是 (F = (\hbar/2\pi e) A_k)，意思是只要测出频率，就能反推费米面的几何形状。这也是量子振荡被称为“费米面探测仪”的原因。
一个完整的流程从原始数据读到最终参数，中间涉及数据清洗、坐标变换、本底扣除、频谱分析、多温度拟合等多个环节。早期大家都是靠Origin手工处理，但数据量一大、角度依赖测量一多，手工根本忙不过来。所以把整个流程固化到Python代码里，是我觉得性价比最高的一件事。
1.2 一套通用数据处理流程的总体设计
整套流程我按“数据读取 → 振荡提取 → 频谱分析 → 参数拟合”四步来组织。每一步都是一个独立的函数或模块，输入输出都很明确，这样做有几个好处：一是分步调试方便，哪一步出了问题能立刻定位；二是中间结果可以随时可视化，不用每次都从头跑一遍；三是换一批数据时只需要调整参数，不需要改逻辑。
用Python而不是其他语言，原因也很简单。numpy和scipy已经把FFT、插值、滤波、拟合这些核心运算都封装好了，写起来快，而且matplotlib的可视化能力在研究场景下几乎没有对手。更关键的是科研可复现性——代码一保存，每次处理结果都是确定的，这在发表论文时非常重要。很多开源项目如qosa也是基于Python生态做的，遇到复杂需求还能参考它们的实现思路。
在设计阶段就要想清楚的一个问题是：数据里的信号通常是“大背景 + 小振荡 + 噪声”三层结构。其中振荡分量往往只有背景的百分之一甚至千分之一，所以处理的核心矛盾永远是“如何在不伤害振荡信号的前提下，把背景和噪声去掉”。后续每一步操作，本质上都在跟这个矛盾做斗争。
2. 数据处理流程的核心环节拆解
2.1 数据读取与质量检查
第一步看似简单，但往往是后面所有问题的源头。商用测量平台导出的数据常见格式是文本表格，比如两列或者多列数据：磁场、磁化强度（或电阻值）。需要注意的一点是，磁场轴的扫描方式通常不是线性的——很多系统在低场区扫得慢、高场区扫得快，导致场点密度不均匀。
我的做法是先把原始数据读进来，然后做三件事：检查磁场范围是否覆盖了我们关心的振荡区间、检查每个温度点的数据点数是否足够、作图看一眼原始信号的噪声水平。如果原始数据在这三步里有任何一项不过关，后面再花力气处理也是白费。
更麻烦的一个坑是坐标变换。由于振荡周期在 (1/B) 坐标里才是均匀的，而仪器记录的B坐标往往不均匀，所以必须先将数据从B空间映射到 (1/B) 空间，再做等间隔重采样。重采样通常用线性插值或三次样条。我一般用线性插值就够，因为振荡频率相比于采样密度低很多，样条插值虽然更平滑，但在数据边缘容易出现过冲，反而带来伪信号。
2.2 扣除本底与振荡提取
本底扣除是整个流程里最“艺术”的一步。所谓本底，就是非振荡的那部分信号，它一般随磁场缓慢变化，可能来自非零场的抗磁/顺磁背景、材料本身的磁阻本底、或者电极接触带来的背景电阻。如果本底不扣干净，FFT之后会在低频端出现一个巨大的“山包”，把真实的振荡峰全部盖住。
常用的本底扣除方法有三种。第一种是多项式拟合：直接把原始信号对磁场做低阶多项式拟合，拟合曲线当作本底，用原始信号减去拟合值。这个方法最直观，但阶数选择很讲究。第二种是平滑滤波：用滑动平均或者Savitzky-Golay滤波把振荡部分平滑掉，然后把平滑结果当本底。第三种是数值差分：对信号求二阶或三阶导数，振荡周期在 (1/B) 空间是等间隔的，求导之后背景大幅衰减而振荡依然存在，但噪声也会被大幅放大，一般需要配合后续平滑。
我个人的经验是：优先用低阶多项式拟合，从2阶开始逐次增加，同时观察两个指标——扣除本底后的振荡曲线是否在零附近均匀摆动；FFT频谱中低频背景是否已经压到和噪声同一水平。如果多项式阶数太高，比如超过6阶，很容易把振荡信号本身也给拟合进去，导致频谱里出现假峰或者峰强度被严重削弱。
2.3 FFT频谱分析与频率提取
振荡信号是被提取出来了，但它是由多个频率成分叠加而成的，直接看时域曲线很难分辨。这时候就要用FFT把它变换到频率域。注意这里说的频率不是时间上的赫兹，而是量子振荡频率F，单位是特斯拉（T），因为振荡周期是 (1/F) 对 (1/B) 的周期性。
在FFT之前，一定要加窗函数。如果不加窗，频谱里会在每个真实峰值两侧出现明显的旁瓣，也就是频谱泄漏。我一般用Hann窗，因为它的主瓣宽度和旁瓣衰减之间比较均衡。如果你的数据里存在两个频率非常接近、需要更好分辨率的峰，可以换用Kaiser窗或者Blackman-Harris窗，代价是主瓣更宽、峰形更钝。
频谱计算出来之后，用scipy.signal.find_peaks找峰，或者直接对幅度谱做极大值搜索。这里有一个重要细节：FFT得到的频率分辨率由 (1/B) 坐标的总跨度决定，不是由采样点数决定。零填充只能让频谱看起来更平滑，并不能真正分辨出比分辨率更近的两个峰。判断一个峰是否真实，最简单的办法是截取不同磁场范围的子区间分别做FFT，如果峰位在误差范围内保持不变，说明是真实的；如果峰位随着区间范围明显移动，那基本就是混叠或窗口效应，需要重新审视处理条件。
3. 核心代码实现与参数选择
3.1 一个可以落地的Python示例流程
下面这段代码是我常用的流程简化版。它读入两列文本数据（磁场B和磁化强度M），转换到 (1/B) 空间，扣除本底，加窗做FFT，最后输出频谱峰的位置。每一行的作用我都在注释里写清楚了。
import numpy as np from scipy import interpolate, signal import matplotlib.pyplot as plt # 1. 读取数据 data = np.loadtxt("dHvA_data.txt", skiprows=1) B = data[:, 0] M = data[:, 1] # 2. 转换到 1/B 坐标并按等间隔重采样 x = 1.0 / B N = 4096 x_new = np.linspace(x.min(), x.max(), N) M_new = interpolate.interp1d(x, M, kind="linear", bounds_error=False)(x_new) # 3. 多项式拟合扣除本底（阶数需要根据数据调整） coeffs = np.polyfit(x_new, M_new, deg=4) background = np.polyval(coeffs, x_new) M_osc = M_new - background # 4. 加窗做FFT window = np.hanning(len(M_osc)) M_windowed = M_osc * window spectrum = np.fft.rfft(M_windowed) freqs = np.fft.rfftfreq(len(M_osc), d=(x_new[1] - x_new[0])) # 5. 找频谱峰并输出频率 amp = np.abs(spectrum) peak_idx = signal.find_peaks(amp, height=0.1 * np.max(amp))[0] print("检测到的振荡频率(T):", freqs[peak_idx])这段代码里最关键的两个参数是重采样点数N和多项式阶数deg。N我习惯取4096或者2048，只要满足 (1/B) 跨度和最高目标频率的分辨率要求就行，取2的幂次纯粹是FFT效率考虑，实际上不取也没关系。deg则要结合上一节的方法来试，从2往上加，每次加一阶都看频谱峰的变化。
还有一个我没有写进去但实战中很重要的步骤：带通滤波。如果FFT发现振荡峰主要集中在某个频率区间，比如100T到300T，那么可以对这个区间做带通滤波，然后逆变换回时域，得到单一频率的振荡分量。这样做对后续提取振幅包络、拟合有效质量特别有帮助，因为时域里的振荡信号叠加了多个频率时，包络提取会非常不稳。
3.2 有效质量拟合与Dingle温度分析
测到振荡频率之后，下一步通常是测不同温度下的振荡曲线，用Lifshitz-Kosevich公式中的温度阻尼项来拟合有效质量 (m^*)。温度阻尼项表达式为：
(R_T = \frac{2\pi^2 k_B T m^* / (\hbar eB)}{\sinh(2\pi^2 k_B T m^* / (\hbar eB))})
这个式子说明，随着温度升高，振荡振幅会衰减，衰减速率与有效质量成正比。实际操作中，我们提取某个频率峰在多个温度下的FFT幅值，然后对温度的依赖关系做曲线拟合，解出 (m^*)。
具体代码可以用scipy.optimize.curve_fit。拟合时要注意几个细节：首先是温度点数量，至少要有5个不同温度点，最好覆盖从最低测量温度到振荡可分辨的最高温度；其次是提取振幅时，不要直接用FFT峰的高度，而应该用带通滤波后在时域里提取振荡包络的峰值，因为窗函数会改变频谱峰的高度，而时域包络更能反映真实振幅；最后是拟合的初始值设置，可以先做一个粗略估算，比如用两个温度点的振幅比粗略估计 (m^*) 的合理范围，再放进拟合里，否则容易收敛到局部极小值。
Dingle温度 (T_D) 的分析相对麻烦一些。它反映的是散射对振荡振幅的指数衰减作用，典型关系体现在振荡振幅对磁场的依赖性上。实际操作中，一般固定有效质量已知后，再对不同磁场下的振幅做指数拟合。由于Dingle分析对背景扣除和振幅提取的质量极其敏感，我一般建议把这一步放在所有处理流程的最后，而且要反复对比不同本底方法处理下的结果，差出一倍都是有可能的。
4. 实操中常见的坑与排查技巧
4.1 频谱“假峰”与谐波、混叠问题
处理量子振荡数据，一定会遇到假峰问题。最常见的假峰来源有三个：谐波、混叠和窗口效应。
谐波是指振荡信号本身非正弦（包含高次谐波），导致FFT谱中在基频 (F) 整数倍的位置出现峰。这个很好判断，如果峰位正好是某个主峰的2倍或3倍，同时强度随谐波次数明显递减，那基本就是谐波，不是独立的费米面截面。
混叠则更隐蔽。它是当 (1/B) 采样的点间距不够密，导致高频成分折叠到低频区产生的。判断方法是改变重采样点数N，如果某个“峰”的位置随N变化，那基本就是混叠。此外，如果原始数据在低场区变化很快，高场区反而平缓，那么 (1/B) 空间里低场段的点间距变大，也容易产生混叠。我的经验是：提取频率时把目标频率上限设成 (1/2) 倍的有效采样率，超出这个上限的峰不要轻易下结论。
窗口效应产生的假峰通常是宽化的“鼓包”或者主峰两侧对称分布的旁瓣。这个可以通过换用不同的窗函数来判断：如果峰的位置和形状对窗函数不敏感，说明是真实信号；如果换了窗函数峰就消失了或者分裂了，基本就是窗口引起的。
4.2 背景扣除过度导致振荡失真
这是我最想提醒大家注意的一步。很多新手在多项式拟合本底时，看到拟合的 (R^2) 接近1就觉得很完美，实际上这恰恰可能是拟合过度的信号——多项式把振荡本身也吸收进去了。一旦发生这种情况，扣除本底后的振荡幅度会变小，FFT峰强度降低，甚至出现一些不存在的“分裂峰”。
排查背景扣除是否过度，我有一套固定流程：每扣一次本底，都把振荡曲线画出来叠加在原数据上，看振荡是否在不规则抖动；然后对振荡曲线做FFT，记录主要峰的频率和强度。接着改变多项式阶数，再看频谱峰的变化。如果某个峰在阶数变化时强度明显改变，但其他峰不变，说明这个峰可能受到了本底扣除的严重影响，需要谨慎对待。
另一个更稳定的替代方案是“多次平滑取差”：用Savitzky-Golay滤波把振荡当噪声平滑掉，然后用原信号减平滑信号得到振荡。这个方法不依赖多项式阶数，处理非单调背景时往往表现更好。缺点是窗口长度需要反复试，太大把振荡的部分高频也平滑掉了，太小又扣不干净背景。
4.3 采样点数与FFT分辨率的平衡
很多朋友问过我：为什么我的频谱峰那么宽？是不是数据不好？其实很多时候单纯是磁场范围不够导致的。FFT在 (1/B) 空间的频率分辨率可以粗略估算为：
(\Delta F \approx \frac{1}{1/B_{min} - 1/B_{max}})
举例来说，如果数据从2T到9T，那么 (1/B_{min}) 是0.111，(1/B_{max}) 是0.5，差值约0.389，对应的频率分辨率大约2.6T。这意味着两个相差小于2.6T的频率峰在这个数据里是根本无法分辨的。想提高分辨率，唯一的办法是增加磁场范围，尤其是往低场方向延伸，因为低场端的 (1/B) 跨度大，对分辨率的贡献也更大。加窗虽然能压低旁瓣，但会让主峰变得更宽，所以不存在既提高分辨率又压低旁瓣的完美方案，只能二选一。
至于零填充，它只是在两个真实频率点之间做插值，让峰的位置更平滑，并不会让频谱“长出”新的峰来。如果你的原始数据只有100个点，就算零填充到10000个点，也改变不了真实分辨率。搞懂这一点，就不会在数据处理时对零填充抱有不切实际的期待了。
4.4 角度依赖测量中的自动化批处理
量子振荡实验经常要做角度依赖测量，也就是把样品旋转，测量不同角度下的振荡曲线，然后绘制频率对角度的色散图。这种测量一次下来可能就是几十个角度，每个角度一套多温度数据，如果靠手动处理会非常痛。
我的做法是把整个流程封装成一个类，把数据文件路径、角度值、温度值作为属性传入，核心的处理函数接受“角度”和“温度”两个参数，批量执行后输出一个汇总表格，包含每个角度下检测到的所有频率峰。再进一步，把频率峰随角度的变化画在同一个二维图上，就是所谓的“角度依赖色散图”。这一步能直接判断费米面的拓扑结构——频率随角度连续变化说明是闭合费米面，频率出现分支或跳跃则可能对应开放轨道或二维费米面。
这里容易忘的一个细节是角度校正。量子振荡依赖于垂直于磁场的费米面截面，而样品台相对磁场方向有偏差角度时，实际感受到的有效场是 (B\cos\theta)。所以数据处理时要把角度信息先转换成对应的有效 (1/B) 坐标，再去做重采样和FFT，否则频谱峰位会随角度偏移，干扰色散分析。
最后再分享一个我的个人习惯：在每一步中间处理环节都顺手保存一张图——原始数据图、扣除本底后的振荡图、FFT频谱图、拟合曲线图。一方面是为了排查问题，另一方面是写论文时需要把处理过程展示给审稿人。保存的文件命名也要规范，比如S1_angle20_T2K_stage2_osc.png这样，半年后自己回来看还能一眼明白是哪个环节的图。另外，做FFT滤波之后可以顺手做一次逆变换检查：把频率峰对应的分量变回时域，和原始振荡曲线对比，如果两者吻合得很好，说明整个处理管道是可靠的，这一步几乎不花时间但能省下大量返工时间。
本文还有配套的精品资源，点击获取
