In [4]:
utils.plot_lst_coverage(uvd)
import matplotlib
import matplotlib.pyplot as plt
from matplotlib.ticker import FormatStrFormatter
import matplotlib.patches as mpatches
import matplotlib.gridspec as gridspec
import numpy as np
from pyuvdata import UVCal, UVData, UVFlag
import pyuvdata
import os
import sys
import glob
import uvtools as uvt
from astropy.time import Time
from astropy.coordinates import EarthLocation, SkyCoord, AltAz, Angle
import pandas
import warnings
import copy
from hera_notebook_templates import utils
import hera_qm
from hera_mc import cm_hookup
import h5py
import importlib
from scipy import stats
import scipy
import pandas as pd
from IPython.display import display, HTML
#warnings.filterwarnings('ignore')
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
#get data location
JD = os.environ['JULIANDATE']
data_path = os.environ['DATA_PATH']
nb_outdir = os.environ['NB_OUTDIR']
utc = Time(JD, format='jd').datetime
print(f'JD = {JD}')
print(f'Date = {utc.month}-{utc.day}-{utc.year}')
print(f'data_path = "{data_path}"')
JD = 2459565 Date = 12-16-2021 data_path = "/mnt/sn1/2459565"
# Load in data
HHfiles, difffiles, uvdx, uvdy = utils.load_data_ds(data_path,JD)
uvd = UVData()
uvd_diff = UVData()
uvd.read(HHfiles[0])
use_ants = [int(ant) for ant in uvd.get_ants()]
bls = [(ant, ant) for ant in use_ants]
uvd.read(HHfiles[::10], skip_bad_files=True, bls=bls)
uvd_diff.read(difffiles[::10], skip_bad_files=True, bls=bls)
lsts = uvd.lst_array
flagfile = glob.glob(os.path.join(HHfiles[0].split('zen')[0],'zen.{}*total_stage_1_threshold_flags.h5'.format(JD)))
uvf = UVFlag()
uvf.read(flagfile)
bls = [(ant, ant) for ant in uvd.get_ants()]
times_uvf = np.unique(uvf.time_array)
times_uvd = np.unique(uvd.time_array)
idx_times = [np.where(time_uvd == times_uvf)[0][0] for time_uvd in times_uvd]
uvd.flag_array[:,0,:,:] = np.repeat(uvf.flag_array[idx_times], len(bls), axis=0)
1265 sum files found between JDs 2459565.25272 and 2459565.66662 1265 diff files found between JDs 2459565.25272 and 2459565.66662
Shows the LSTs (in hours) and JDs for which data is collected. Green represents data, red means no data.
utils.plot_lst_coverage(uvd)
Delay spectrum CLEANed using uvtools.dspec.high_pass_fourier_filter with 7th-order Blackman-Harris window function. Odd/even visibilities are used to remove noise bias.
_data_cleaned_sq, d_even, d_odd = utils.clean_ds(bls, uvd, uvd_diff, N_threads=14)
These plots show autocorrelation delay spectrum waterfalls of each antenna that is active and whose status qualifies for this notebook. For nn/ee polarization, the autocorrelation delay spectrum is normalized by the max of the delay spectrum. For ne polarization, the autocorrelation delay spectrum is normalized by max(sqrt(|nn| |ee|)). ne and en are the same for autocorrelations, and thus only ne is shown here. The delay spectra are presented in dB with 20log10($|\tilde{V}|$).
For each node, antennas are ordered by SNAP number, and within that by SNAP input number. The antenna number label color corresponds to the a priori status of that antenna.
utils.plot_wfds(uvd, _data_cleaned_sq, 0)
utils.plot_wfds(uvd, _data_cleaned_sq, 1)
utils.plot_wfds(uvd, _data_cleaned_sq, 2)
This plot shows the relative amplitude at 2700 ns feature. The relative amplitude is calculated in dB with the mean amplitude at 2500-3000 ns compared to the mean amplitude at 2000-2500 ns. Larger values of relative feature amplitude indicate higher probability of detecting the peak at 2700 ns. Antennas in the same node are grouped by the shaded region.
utils.plot_antFeatureMap_2700ns(uvd, _data_cleaned_sq, JD, pol='nn')
utils.plot_antFeatureMap_2700ns(uvd, _data_cleaned_sq, JD, pol='ee')
This plot shows a matrix representing the 2700ns feature correlation of each baseline. The color bar indicates the amplitude of 2700ns (mean amplitude of 2500-3000ns delay spectrum) in dB which is the same as that in the above plot.
utils.CorrMatrix_2700ns(uvd, HHfiles, difffiles, flagfile, JD, N_threads=14)
--------------------------------------------------------------------------- AttributeError Traceback (most recent call last) /tmp/ipykernel_6476/201335310.py in <module> ----> 1 utils.CorrMatrix_2700ns(uvd, HHfiles, difffiles, flagfile, JD, N_threads=14) ~/anaconda/envs/RTP/lib/python3.7/site-packages/hera_notebook_templates/utils.py in CorrMatrix_2700ns(uvd, HHfiles, difffiles, flagfile, JD, N_threads) 2678 amp[pol] = 10*np.log10(np.sqrt(np.nanmean(np.abs(_data_cleaned_sq[:,:,idx_region1]), axis=-1)/np.nanmean(np.abs(_data_cleaned_sq[:,:,idx_region2]), axis=-1))) 2679 -> 2680 plotCorrMatrix(uvd_data_ds, amp, pols=pols, nodes='auto', vminIn=0, vmaxIn=3) 2681 2682 def plot_metric(metrics, ants=None, antpols=None, title='', ylabel='Modified z-Score', xlabel=''): ~/anaconda/envs/RTP/lib/python3.7/site-packages/hera_notebook_templates/utils.py in plotCorrMatrix(uv, data, pols, vminIn, vmaxIn, nodes, logScale, plotRatios) 1269 fig.suptitle('Correlation Matrix - JD: %s, LST: %.0fh' % (str(jd),np.round(lst,0))) 1270 fig.subplots_adjust(top=1.28,wspace=0.05,hspace=1.1) -> 1271 fig.tight_layout(pad=2) 1272 plt.show() 1273 plt.close() ~/anaconda/envs/RTP/lib/python3.7/site-packages/matplotlib/figure.py in tight_layout(self, pad, h_pad, w_pad, rect) 3181 from .tight_layout import ( 3182 get_subplotspec_list, get_tight_layout_figure) -> 3183 subplotspec_list = get_subplotspec_list(self.axes) 3184 if None in subplotspec_list: 3185 _api.warn_external("This figure includes Axes that are not " ~/anaconda/envs/RTP/lib/python3.7/site-packages/matplotlib/tight_layout.py in get_subplotspec_list(axes_list, grid_spec) 232 233 if hasattr(axes_or_locator, "get_subplotspec"): --> 234 subplotspec = axes_or_locator.get_subplotspec() 235 subplotspec = subplotspec.get_topmost_subplotspec() 236 gs = subplotspec.get_gridspec() ~/anaconda/envs/RTP/lib/python3.7/site-packages/matplotlib/colorbar.py in get_subplotspec(self) 281 ss = getattr(self._cbar.ax, 'get_subplotspec', None) 282 if ss is None: --> 283 ss = self._orig_locator.get_subplotspec() 284 else: 285 ss = ss() AttributeError: 'NoneType' object has no attribute 'get_subplotspec'
This plot shows the ratio of delay spectrum to noise floor (averaged over 1000-4000ns). Near 1 indicates the delay spectrum reaches to the noise floor, which may mean good.
utils.plot_antFeatureMap_noise(uvd_diff, d_even, d_odd, JD, pol='nn')
utils.plot_antFeatureMap_noise(uvd_diff, d_even, d_odd, JD, pol='ee')
# get the ratio of delay spectum to noise for different freqeuncy bands and pols
ds_noise_ratio = utils.get_ds_noise_ratio(uvd, uvd_diff, bls)
nodes, antDict, inclNodes = utils.generate_nodeDict(uvd)
ants = uvd.get_ants()
# build dataframe
to_show = {'Ant': ants, 'Node': [int(antDict[ant]['node']) for ant in ants], 'Snap': [int(antDict[ant]['snapLocs'][0]) for ant in ants]}
df = pd.DataFrame(to_show)
cols_ratio = []
for key in ds_noise_ratio.keys():
if(key[0] == 40):
col = r'Full '
else:
col = r'{}-{} MHz '.format(key[0], key[1])
col += key[2]
df[col] = ds_noise_ratio[key]
cols_ratio.append(col)
# sort by node number and then by antenna number within nodes
df.sort_values(['Node', 'Ant'], ascending=True)
ratio_cut = 3
# style dataframe
table = df.style.hide_index() \
.applymap(lambda val: 'color: red' if val > ratio_cut else '', subset=cols_ratio) \
.set_table_styles([dict(selector="th",props=[('max-width', f'70pt')])])
This table shows the ratio of the delay spectrum to the noise level from diff files for different frequency bands and pols. The ratio > 3 is colored in red
HTML(table.render())
| Ant | Node | Snap | Full nn | Full ee | 50-85 MHz nn | 50-85 MHz ee | 120-155 MHz nn | 120-155 MHz ee | 155-190 MHz nn | 155-190 MHz ee | 190-225 MHz nn | 190-225 MHz ee |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1 | 0 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 2 | 0 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 3 | 1 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 4 | 1 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 5 | 1 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 7 | 2 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 8 | 2 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 9 | 2 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 10 | 2 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 11 | 0 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 12 | 0 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 13 | 0 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 14 | 0 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 15 | 1 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 16 | 1 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 17 | 1 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 18 | 1 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 19 | 2 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 20 | 2 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 21 | 2 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 23 | 0 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 24 | 0 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 25 | 0 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 26 | 0 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 27 | 1 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 28 | 1 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 29 | 1 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 30 | 1 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 31 | 2 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 32 | 2 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 33 | 2 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 36 | 3 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 37 | 3 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 38 | 3 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 39 | 0 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 40 | 4 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 41 | 4 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 42 | 4 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 45 | 5 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 46 | 5 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 50 | 3 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 51 | 3 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 52 | 3 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 53 | 3 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 54 | 4 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 55 | 4 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 56 | 4 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 57 | 4 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 65 | 3 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 66 | 3 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 67 | 3 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 68 | 3 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 69 | 4 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 70 | 4 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 71 | 4 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 72 | 4 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 73 | 5 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 81 | 7 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 82 | 7 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 83 | 7 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 84 | 8 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 85 | 8 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 86 | 8 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 87 | 8 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 88 | 9 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 89 | 9 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 90 | 9 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 91 | 9 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 92 | 10 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 93 | 10 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 94 | 10 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 98 | 7 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 99 | 7 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 100 | 7 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 101 | 8 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 102 | 8 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 103 | 8 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 104 | 8 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 105 | 9 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 106 | 9 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 107 | 9 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 108 | 9 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 109 | 10 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 110 | 10 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 111 | 10 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 112 | 10 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 116 | 7 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 119 | 7 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 120 | 8 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 121 | 8 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 122 | 8 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 123 | 8 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 124 | 9 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 125 | 9 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 126 | 9 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 127 | 10 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 128 | 10 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 129 | 10 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 130 | 10 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 135 | 12 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 136 | 12 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 138 | 7 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 140 | 13 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 141 | 13 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 142 | 13 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 143 | 14 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 144 | 14 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 145 | 14 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 150 | 15 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 155 | 12 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 156 | 12 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 157 | 12 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 158 | 12 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 160 | 13 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 161 | 13 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 162 | 13 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 163 | 14 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 164 | 14 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 165 | 14 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 166 | 14 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 167 | 15 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 168 | 15 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 169 | 15 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 170 | 15 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 176 | 12 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 177 | 12 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 178 | 12 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 179 | 12 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 180 | 13 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 181 | 13 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 182 | 13 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 183 | 13 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 184 | 14 | 0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 185 | 14 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 186 | 14 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 187 | 14 | 1 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 189 | 15 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 190 | 15 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 191 | 15 | 3 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 220 | 18 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 221 | 18 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 222 | 18 | 2 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
csv_file = os.path.join(nb_outdir, 'ds_noise_ratio_{}.csv'.format(JD))
df.to_csv(csv_file, index=False)
Left panel: time averaged delay spectum of autocorrelation in dB with 20*log10($|\tilde{V}|$) (blue) and noise from diff file representing the expected variance of the delay spectrum (red)
Right panel: time averaged autocorrelations w/o (orange) and w/ xRFI flags (blue). Flagged one is shifted from the unflagged one for clarity
utils.interactive_plots_dspec(bls, uvd, uvd_diff, JD)