Communitygithub.com

Astropy

Biblioteca principal em Python para astronomia e astrofísica, fornecendo APIs essenciais para fluxos de trabalho que envolvem unidades/quantidades, coordenadas, E/S de FITS, tabelas, sistemas de tempo, WCS e cosmologia. Use ao implementar ou depurar código de análise de dados astronômicos com Astropy.

O que é Astropy?

Esta skill capacita agentes de IA a utilizarem o Astropy, a biblioteca central de Python para astronomia, cobrindo desde a manipulação de unidades físicas e conversão de coordenadas celestes até o processamento de arquivos FITS e cálculos cosmológicos com modelos como Planck18. Ela suporta plataformas como Claude Code, Cursor e Codex, permitindo que desenvolvedores e pesquisadores automatizem tarefas complexas de análise de dados astronômicos de forma eficiente e precisa. A skill é organizada em módulos principais como `astropy.units` para quantidades e conversões, `astropy.coordinates` para transformações de sistemas de coordenadas (ICRS, Galáctico, AltAz, etc.), `astropy.io.fits` para leitura e escrita de arquivos FITS, `astropy.table` para manipulação de dados tabulares, `astropy.time` para representação precisa do tempo, `astropy.cosmology` para cálculos cosmológicos e `astropy.wcs` para transformações entre coordenadas de pixel e mundo real. Cada módulo inclui operações chave, boas práticas e referências a arquivos de documentação detalhada. A implementação segue práticas recomendadas, como o uso obrigatório de unidades para evitar erros dimensionais, gerenciamento de contexto para arquivos FITS, preferência por operações em arrays para desempenho e explicitação sobre acessos de rede. A skill também fornece guias de instalação com versões fixadas (ex: astropy==7.2.0) e notas sobre a versão atual, incluindo mudanças futuras na versão 8.0 e depreciações recentes.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/astropy

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que Astropy faz?

Visão Geral

Astropy é o pacote Python principal para astronomia, fornecendo funcionalidades essenciais para pesquisa astronômica e análise de dados. Use astropy para transformações de coordenadas, cálculos de unidades e quantidades, operações com arquivos FITS, cálculos cosmológicos, manipulação precisa de tempo, manipulação de dados tabulares e processamento de imagens astronômicas.

Quando Usar Esta Skill

Use astropy quando as tarefas envolverem:

  • Conversão entre sistemas de coordenadas celestes (ICRS, Galáctico, FK5, AltAz, etc.)
  • Trabalho com unidades físicas e quantidades (converter Jy para mJy, parsecs para km, etc.)
  • Leitura, escrita ou manipulação de arquivos FITS (imagens ou tabelas)
  • Cálculos cosmológicos (distância de luminosidade, tempo de lookback, parâmetro de Hubble)
  • Manipulação precisa de tempo com diferentes escalas de tempo (UTC, TAI, TT, TDB) e formatos (JD, MJD, ISO)
  • Operações com tabelas (leitura de catálogos, cruzamento de dados, filtragem, junção)
  • Transformações WCS entre coordenadas de pixel e coordenadas de mundo
  • Constantes e cálculos astronômicos

Início Rápido

import astropy.units as u
from astropy.coordinates import SkyCoord
from astropy.time import Time
from astropy.io import fits
from astropy.table import Table
from astropy.cosmology import Planck18

# Unidades e quantidades

from astropy.cosmology import Planck18

# Unidades e quantidades

distancia = 100 * u.pc
distancia_km = distancia.to(u.km)

# Coordenadas
coord = SkyCoord(ra=10.5*u.degree, dec=41.2*u.degree, frame='icrs')
coord_galatico = coord.galactic

# Tempo
t = Time('2023-01-15 12:30:00')
jd = t.jd  # Data Juliana

# Arquivos FITS
dados = fits.getdata('image.fits')
cabecalho = fits.getheader('image.fits')

# Tabelas
tabela = Table.read('catalog.fits')

# Cosmologia
d_L = Planck18.luminosity_distance(z=1.0)

Capacidades Principais

1. Unidades e Quantidades (astropy.units)

Lide com quantidades físicas com unidades, realize conversões de unidades e garanta consistência dimensional em cálculos.

Operações principais:

  • Crie quantidades multiplicando valores por unidades
  • Converta entre unidades usando o método .to()
  • Realize aritmética com manipulação automática de unidades
  • Use equivalências para conversões específicas de domínio (espectral, doppler, paralaxe)
  • Trabalhe com unidades logarítmicas (magnitudes, decibéis)

Veja: references/units.md para documentação abrangente sobre sistemas de unidades, equivalências, otimização de desempenho e aritmética de unidades.

2. Sistemas de Coordenadas (astropy.coordinates)

Represente posições celestes e transforme entre diferentes sistemas de coordenadas.

Operações principais:

  • Crie coordenadas com SkyCoord em qualquer sistema (ICRS, Galáctico, FK5, AltAz, etc.)
  • Transforme entre sistemas de coordenadas
  • Calcule separações angulares e ângulos de posição
  • Combine coordenadas com catálogos
  • Inclua distância para operações de coordenadas 3D
  • Lide com movimentos próprios e velocidades radiais
  • Consulte objetos nomeados em bancos de dados online

Veja: references/coordinates.md para descrições detalhadas dos sistemas de coordenadas, transformações, sistemas dependentes do observador (AltAz), correspondência de catálogos e dicas de desempenho.

3. Cálculos Cosmológicos (astropy.cosmology)

Realize cálculos cosmológicos usando modelos cosmológicos padrão.

Operações principais:

  • Use cosmologias integradas (Planck18, WMAP9, etc.)
  • Crie modelos cosmológicos personalizados
  • Calcule distâncias (luminosidade, comovente, diâmetro angular)
  • Calcule idades e tempos de lookback
  • Determine o parâmetro de Hubble em qualquer redshift
  • Calcule parâmetros de densidade e volumes
  • Realize cálculos inversos (encontre z para uma dada distância)

Veja: references/cosmology.md para modelos disponíveis, cálculos de distância, cálculos de tempo, parâmetros de densidade e efeitos de neutrinos.

4. Manipulação de Arquivos FITS (astropy.io.fits)

Leia, escreva e manipule arquivos FITS (Flexible Image Transport System).

Operações principais:

  • Abra arquivos FITS com gerenciadores de contexto
  • Acesse HDUs (Header Data Units) por índice ou nome
  • Leia e modifique cabeçalhos (palavras-chave, comentários, histórico)
  • Trabalhe com dados de imagem (arrays NumPy)
  • Lide com dados de tabela (tabelas binárias e ASCII)
  • Crie novos arquivos FITS (extensão única ou múltipla)
  • Use mapeamento de memória para arquivos grandes
  • Acesse arquivos FITS remotos (S3, HTTP)

Veja: references/fits.md para operações abrangentes de arquivos, manipulação de cabeçalhos, manipulação de imagens e tabelas, arquivos de múltiplas extensões e considerações de desempenho.

5. Operações com Tabelas (astropy.table)

Trabalhe com dados tabulares com suporte para unidades, metadados e vários formatos de arquivo.

Operações principais:

  • Crie tabelas a partir de arrays, listas ou dicionários
  • Leia/escreva tabelas em vários formatos (FITS, CSV, HDF5, VOTable)
  • Acesse e modifique colunas e linhas
  • Classifique, filtre e indexe tabelas
  • Realize operações no estilo de banco de dados (junção, agrupamento, agregação)
  • Empilhe e concatene tabelas
  • Trabalhe com colunas cientes de unidades (QTable)
  • Lide com dados ausentes usando mascaramento

Veja: references/tables.md para criação de tabelas, operações de E/S, manipulação de dados, classificação, filtragem, junções, agrupamento e dicas de desempenho.

6. Manipulação de Tempo (astropy.time)

Representação precisa do tempo e conversão entre escalas e formatos de tempo.

Operações principais:

  • Crie objetos Time em vários formatos (ISO, JD, MJD, Unix, etc.)
  • Converta entre escalas de tempo (UTC, TAI, TT, TDB, etc.)
  • Realize aritmética de tempo com TimeDelta
  • Calcule tempo sideral para observadores
  • Calcule correções de tempo de viagem da luz (baricêntrica, heliocêntrica)
  • Trabalhe com arrays de tempo de forma eficiente
  • Lide com tempos mascarados (ausentes)

Veja: references/time.md para formatos de tempo, escalas de tempo, conversões, aritmética, recursos de observação e manipulação de precisão.

7. Sistema de Coordenadas Mundial (astropy.wcs)

Transforme entre coordenadas de pixel em imagens e coordenadas mundiais.

Operações principais:

  • Leia WCS de cabeçalhos FITS
  • Converta coordenadas de pixel para coordenadas mundiais (e vice-versa)
  • Calcule pegadas de imagem
  • Acesse parâmetros WCS (pixel de referência, projeção, escala)
  • Crie objetos WCS personalizados

Veja: references/wcs_and_other_modules.md para operações e transformações WCS.

Capacidades Adicionais

O arquivo references/wcs_and_other_modules.md também cobre:

NDData e CCDData

Contêineres para conjuntos de dados n-dimensionais com metadados, incerteza, mascaramento e informações WCS.

Modelagem

Framework para criar e ajustar modelos matemáticos a dados astronômicos.

Visualização

Ferramentas para exibição de imagens astronômicas com alongamento e dimensionamento adequados.

Constantes

Constantes físicas e astronômicas com unidades adequadas (velocidade da luz, massa solar, constante de Planck, etc.).

Convolução

Kernels de processamento de imagem para suavização e filtragem.

Estatística

Funções estatísticas robustas, incluindo corte sigma e rejeição de outliers.

Instalação

# Instalação reproduzível contra a versão estável atual
uv pip install "astropy==7.2.0"

# Dependências opcionais recomendadas para plotagem e fluxos de trabalho comuns
uv pip install "astropy[recommended]==7.2.0"

# Conjunto completo de dependências opcionais para fluxos de trabalho astronômicos amplos
uv pip install "astropy[all]==7.2.0"

Astropy 7.2.0 requer Python 3.11+ e depende de NumPy, PyERFA, PyYAML e packaging. Use um ambiente virtual isolado; não instale Astropy com privilégios elevados.

Observe que os extras [recommended] e [all] puxam dependências transitivas (matplotlib, scipy, etc.) em versões não fixadas. Para ambientes de produção reproduzíveis, fixe a árvore de dependências completa com um arquivo de bloqueio (uv lock em um projeto, ou uv pip compile para arquivos de requisitos) e revise as versões resolvidas antes de implantar.

Fluxos de Trabalho Comuns

Convertendo Coordenadas Entre Sistemas

from astropy.coordinates import SkyCoord
import astropy.units as u

# Criar coordenada
c = SkyCoord(ra='05h23m34.5s', dec='-69d45m22s', frame='icrs')

# Transformar para galáctico
c_gal = c.galactic
print(f"l={c_gal.l.deg}, b={c_gal.b.deg}")

# Transformar para alt-az (requer tempo e localização)
from astropy.time import Time
from astropy.coordinates import EarthLocation, AltAz

tempo_observacao = Time('2023-06-15 23:00:00')
local_observacao = EarthLocation(lat=40*u.deg, lon=-120*u.deg)
quadro_aa = AltAz(obstime=tempo_observacao, location=local_observacao)
c_altaz = c.transform_to(quadro_aa)
print(f"Alt={c_altaz.alt.deg}, Az={c_altaz.az.deg}")

Lendo e Analisando Arquivos FITS

from astropy.io import fits
import numpy as np

# Abrir arquivo FITS
with fits.open('observation.fits') as hdul:
    # Exibir estrutura
    hdul.info()

    # Obter dados da imagem e cabeçalho
    dados = hdul[1].data
    cabecalho = hdul[1].header

    # Acessar valores do cabeçalho
    tempo_exposicao = cabecalho['EXPTIME']
    nome_filtro = cabecalho['FILTER']

    # Analisar dados
    media = np.mean(dados)
    mediana = np.median(dados)
    print(f"Média: {media}, Mediana: {mediana}")

Cálculos de Distância Cosmológica

from astropy.cosmology import Planck18
import astropy.units as u
import numpy as np

# Calcular distâncias em z=1.5
z = 1.5
d_L = Planck18.luminosity_distance(z)
d_A = Planck18.angular_diameter_distance(z)

print(f"Distância de luminosidade: {d_L}")
print(f"Distância de diâmetro angular: {d_A}")

# Idade do universo naquele redshift
idade = Planck18.age(z)
print(f"Idade em z={z}: {idade.to(u.Gyr)}")

# Tempo de lookback
t_lookback = Planck18.lookback_time(z)
print(f"Tempo de lookback: {t_lookback.to(u.Gyr)}")

Cruzamento de Catálogos

from astropy.table import Table
from astropy.coordinates import SkyCoord, match_coordinates_sky
import astropy.units as u

# Ler catálogos
cat1 = Table.read('catalog1.fits')
cat2 = Table.read('catalog2.fits')

# Criar objetos de coordenada
coords1 = SkyCoord(ra=cat1['RA']*u.degree, dec=cat1['DEC']*u.degree)
coords2 = SkyCoord(ra=cat2['RA']*u.degree, dec=cat2['DEC']*u.degree)

# Encontrar correspondências
idx, sep, _ = coords1.match_to_catalog_sky(coords2)

# Filtrar por limite de separação
sep_max = 1 * u.arcsec
correspondencias = sep < sep_max

# Criar catálogos correspondentes
cat1_corresp = cat1[correspondencias]
cat2_corresp = cat2[idx[correspondencias]]
print(f"Encontradas {len(cat1_corresp)} correspondências")

Melhores Práticas

  1. Sempre use unidades: Anexe unidades a quantidades para evitar erros e garantir consistência dimensional
  2. Use gerenciadores de contexto para arquivos FITS: Garante o fechamento adequado do arquivo
  3. Prefira arrays em vez de loops: Processe múltiplas coordenadas/tempos como arrays para melhor desempenho
  4. Verifique os sistemas de coordenadas: Confirme o sistema antes das transformações
  5. Use cosmologia apropriada: Escolha o modelo cosmológico correto para sua análise
  6. Lide com dados ausentes: Use colunas mascaradas para tabelas com valores ausentes
  7. Especifique escalas de tempo: Seja explícito sobre escalas de tempo (UTC, TT, TDB) para temporização precisa
  8. Use QTable para tabelas cientes de unidades: Quando as colunas da tabela têm unidades
  9. Verifique a validade do WCS: Verifique o WCS antes de usar transformações
  10. Armazene em cache valores frequentemente usados: Cálculos caros (por exemplo, distâncias cosmológicas) podem ser armazenados em cache
  11. Seja explícito sobre o acesso à rede: SkyCoord.from_name(), EarthLocation.of_site(refresh_cache=True), EarthLocation.of_address(), download_file(), leituras de FITS remotas e algumas transformações de tempo/coordenada IERS podem contatar serviços externos ou atualizar caches locais. Evite enviar nomes de alvos sensíveis, endereços, URLs ou localizações de arquivos proprietárias para serviços de terceiros. Ao trabalhar com alvos ou locais de dados potencialmente sensíveis, confirme com o usuário antes de fazer essas chamadas de rede.
  12. Fixe para reprodutibilidade: Use versões fixadas como astropy==7.2.0 para ambientes compartilhados; atualize as fixações intencionalmente após revisar as notas de versão.

Notas de Versão Atual

  • Versão estável atual pesquisada: Astropy 7.2.0 (lançada em 2025-11-25; verificado como atual em 2026-06-10)
  • Requisito Python: 3.11+
  • Astropy 8.0 está em estágio de release candidate (8.0.0rc1, 2026-05-26). Principais mudanças a antecipar:
    • Os shims descontinuados do submódulo astropy.cosmology (astropy.cosmology.flrw, .core, .funcs, .connect, .parameter) são removidos — importe tudo diretamente de astropy.cosmology (por exemplo, from astropy.cosmology import FlatLambdaCDM, z_at_value)
    • Os padrões de astropy.constants mudam de CODATA 2018 para CODATA 2022; fixe uma versão de constantes através dos estados de ciência astropyconst se a reprodutibilidade for importante
    • NumPy 2.0 torna-se a versão mínima suportada; o ramo LTS 7.2.x mantém suporte a NumPy 1.x por seis meses após o lançamento do 8.0
    • O executor de testes integrado (astropy.test(), TestRunner) é formalmente descontinuado — invoque pytest diretamente
  • Descontinuações recentes do 7.x a evitar em novo código: passar um identificador de índice de tabela como o primeiro elemento .loc (t.loc["b", 2]) — use t.loc.with_index("b")[2] em vez disso (remoção planejada para 9.0); astropy.utils.isiterable() — use numpy.iterable()
  • Remoções recentes do 7.0: APIs FITS descontinuadas antigas, como (Bin)Table.update, _ExtensionHDU, _NonstandardExtHDU, e o argumento tile_size para CompImageHDU; CompImageHeader está descontinuado. Evite esses padrões legados em novos exemplos.
  • Os extras opcionais recomendados são recommended para dependências comuns de plotagem/científicas e all apenas quando um conjunto amplo de funcionalidades opcionais for necessário.

Documentação e Recursos

Arquivos de Referência

Para informações detalhadas sobre módulos específicos:

  • references/units.md - Unidades, quantidades, conversões e equivalências
  • references/coordinates.md - Sistemas de coordenadas, transformações e correspondência de catálogos
  • references/cosmology.md - Modelos cosmológicos e cálculos
  • references/fits.md - Operações e manipulação de arquivos FITS
  • references/tables.md - Criação de tabelas, E/S e operações
  • references/time.md - Formatos de tempo, escalas e cálculos
  • references/wcs_and_other_modules.md - WCS, NDData, modelagem, visualização, constantes e utilitários

Citando Habilidades de Agente Científico

Esta habilidade faz parte do Scientific Agent Skills...

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

adaptyv

How to use the Adaptyv Bio Foundry API and Python SDK for protein experiment design, submission, and results retrieval. Use this skill whenever the user mentions Adaptyv, Foundry API, protein binding assays, protein screening experiments, BLI/SPR assays, thermostability assays, or wants to submit protein sequences for experimental characterization. Also trigger when code imports `adaptyv`, `adaptyv_sdk`, or `FoundryClient`, or references `foundry-api-public.adaptyvbio.com`.

aeon

This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.

alphagenome

Look up precomputed AlphaGenome Atlas effects for any GRCh38 single-nucleotide variant (AVI score with Phred and 18 SHAP feature attributions, plus raw and quantile scores for RNA-seq, DNase, ATAC, ChIP-TF, ChIP-histone, CAGE, PRO-cap, splicing, polyadenylation and contact-map tracks), score variants or scan windows on demand with the AlphaGenome model for human and mouse (variant scoring, in silico mutagenesis, REF-versus-ALT track prediction), and build Atlas website deep links. Use when the user mentions AlphaGenome, AlphaGenome Atlas, AVI or AlphaGenome Variant Impact, DeepMind variant effect prediction, or wants to prioritise or mechanistically interpret non-coding, regulatory, splicing, enhancer, promoter, or chromatin-accessibility effects of SNVs from a VCF, credible set, or region. Research use only; not a clinical tool.

analytical-method-validation

Plan, execute, and document validation, verification, and transfer of analytical procedures under the governing framework - ICH Q2(R2) and Q14, USP <1220>/<1225>/<1226>, ICH M10 bioanalytical, CLSI EP, or ISO/IEC 17025. Use for HPLC, LC-MS/MS, GC, CE, ICP-MS, dissolution, qNMR, qPCR, NIR, and ligand binding or cell-based assays whenever the question is whether a procedure is fit for its intended purpose. Triggers include

anndata

Data structure for annotated matrices in single-cell analysis. Use when working with .h5ad files or integrating with the scverse ecosystem. This is the data format skill—for analysis workflows use scanpy; for probabilistic models use scvi-tools; for population-scale queries use cellxgene-census.

arbor

Autonomously improve a real artifact (code, training recipe, agent harness, data pipeline, prompt) against an objective and an evaluator, using Hypothesis Tree Refinement (HTR) from the Arbor paper. Use this whenever someone wants to iteratively optimize something over many experiments without overfitting — e.g.

arboreto

Infer gene regulatory networks (GRNs) from gene expression data using scalable algorithms (GRNBoost2, GENIE3). Use when analyzing transcriptomics data (bulk RNA-seq, single-cell RNA-seq) to identify transcription factor-target gene relationships and regulatory interactions. Supports distributed computation for large-scale datasets.

autoskill

Observe the user

benchling-integration

Benchling Python SDK and REST API integration for registry entities, inventory, ELN entries, workflows, Benchling Apps, and Data Warehouse queries. Use when automating lab data with benchling-sdk or the v2 API.

bgpt-paper-search

Search scientific papers and retrieve structured experimental data extracted from full-text studies via the BGPT MCP server. Returns 25+ fields per paper including methods, results, sample sizes, quality scores, and conclusions. Use for literature reviews, evidence synthesis, and finding experimental details not available in abstracts alone.

bids

>

biopython

Comprehensive molecular biology toolkit. Use for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Best for batch processing, custom bioinformatics pipelines, BLAST automation. For quick lookups use gget; for multi-service integration use bioservices.

bioservices

Unified Python interface to 40+ bioinformatics services. Use when querying multiple databases (UniProt, KEGG, ChEMBL, Reactome) in a single workflow with consistent API. Best for cross-database analysis, ID mapping across services. For quick single-database lookups use gget; for sequence/file manipulation use biopython.

bulk-rnaseq

End-to-end bulk RNA-seq orchestrator — takes raw FASTQ reads through QC and trimming (FastQC, fastp/Trim Galore), alignment and quantification (STAR, Salmon, featureCounts), assembles a gene-level counts matrix, then hands off to differential expression (pydeseq2), pathway/GSEA enrichment (pathway-enrichment), and publication figures (scientific-visualization). Use whenever the user has bulk RNA-seq reads or quant output and wants a complete, reproducible differential-expression workflow — e.g.

cellxgene-census

Query the CZ CELLxGENE Census programmatically for versioned public single-cell and spatial transcriptomics data. Use when you need population-scale cell metadata, gene expression slices, Census summary counts, source H5AD URIs/downloads, embeddings, spatial Census data, or reference atlas comparisons across organisms, tissues, diseases, assays, and cell types. For analyzing your own local single-cell data use scanpy, anndata, or scvi-tools.

cirq

Google quantum computing framework. Use when targeting Google Quantum AI hardware, designing noise-aware circuits, or running quantum characterization experiments. Best for Google hardware, noise modeling, and low-level circuit design. For IBM hardware use qiskit; for quantum ML with autodiff use pennylane; for physics simulations use qutip.

citation-management

Comprehensive citation management for academic research. Search OpenAlex, PubMed, and Google Scholar for papers, extract accurate metadata, validate citations, and generate properly formatted BibTeX entries. This skill should be used when you need to find papers, verify citation information, convert DOIs to BibTeX, or ensure reference accuracy in scientific writing.

clinical-decision-support

Prepare and validate research-only clinical decision-support evaluation, evidence-profile, cohort, survival, biomarker/model, privacy, and governance artifacts. Use for aggregate or synthetic research documentation and traceability—not patient care or live clinical operation.

clinical-reports

Create safety-bounded draft structures and run local deterministic checks for clinical case, diagnostic, trial, safety, and aggregate research reports. Use only with synthetic, de-identified, or aggregate inputs and verified source-fact manifests; every output requires qualified review.

cobrapy

Constraint-based metabolic modeling (COBRA). FBA, FVA, gene knockouts, flux sampling, SBML models, for systems biology and metabolic engineering analysis.

Habilidades Relacionadas