首页>编程相关>其他源码
下载

Tau ID 比例因子

该存储库包含几个 tau 鉴别器的推荐比例因子 (SF) 以及读取它们的工具。更详细的建议可以在此 TWiki 页面上找到：https://twiki.cern.ch/twiki/bin/viewauth/CMS/TauIDRecommendationForRun2

️请注意，在不久的将来，ROOT 文件格式的 SF 将被淘汰，并在长期内由 XPOG 集中提供的correctionlib工具和 JSON 文件取代。有关 tau 校正的更详细说明请参见此处。

目录

  • 工具的安装
    • Python
    • C++
    • 没有 CMSSW 的 Python
  • 可用 SF 的摘要
  • 用法
    • pT依赖性SF
    • DM 依赖性 SF
    • 抗轻子鉴别器的依赖于 eta 的假率 SF
    • DM 依赖性 tau 能量标度
    • Eta- & DM 依赖 e -> tau 假能量标度

工具的安装

要安装用于读取 tau ID SF 的工具，请执行以下操作

 export SCRAM_ARCH=slc6_amd64_gcc700 # for CMSSW_10_3_3, check "scram list"
CMSSW_BASE=CMSSW_10_3_3             # or whichever release you desire
cmsrel $CMSSW_BASE
cd $CMSSW_BASE/src
git clone https://github.com/cms-tau-pog/TauIDSFs TauPOG/TauIDSFs
cmsenv
scram b -j8

Python

使用相应的目录层次结构进行编译后，您可以在 python 中访问该工具 ( python/TauIDSFTool.py )，如下所示

 from TauPOG.TauIDSFs.TauIDSFTool import TauIDSFTool

可以使用 python 运行该工具的测试

 ./test/testTauIDSFTool.py

C++

src/TauIDSFTool.cc中提供了类似的 C++ 实现，并在 ( test/testTauIDSFTool.cc ) 中提供了简单的使用示例。这也是一个安装测试，可以编译并运行

 scram b runtests -j8

没有 CMSSW 的 Python

或者，如果您想在没有 CMSSW 的情况下独立使用 python 工具，请克隆存储库并确保您的PYTHONPATH指向TauIDSFTool模块。 

 export PYTHONPATH=<path to python directory>:$PYTHONPATH

之后，您应该能够执行以下操作： 

 from TauIDSFTool import TauIDSFTool

可用 SF 的摘要

这是data/中DeepTau2017v2p1和DeepTau2018v2p5的可用 SF 的粗略摘要：

Tau 成分genmatch DeepTau2017v2p1 VSjet DeepTau2017v2p1 VSe DeepTau2017v2p1 VSmu DeepTau2018v2p5 VSjet能量等级
真正的tau蛋白5与 pT 和 DM（对于 MC）或与 pT 或与 DM（对于嵌入） – (*) – (*)与 pT 和 DM（对于 MC），无嵌入。尚未得出修正与 DM
e -> tau 假冒1 , 3 –与 eta –与 DM 和 eta
mu -> tau 假2 , 4 – –与 eta –（±1% 未计算）

(*) 仅针对工作点的子集提供比例因子。对于 VSele 判别器，它们是针对 VVLoose 和 Tight WP 进行测量的 - 强烈鼓励用户使用这两个工作点之一，如果使用另一个工作点，应向 TauPOG 报告以获得批准。对于 VSmu，它们是针对紧密 WP 进行测量的，但我们预计在这种情况下不会对所选的 VSmu WP 有很大的依赖性，因此您可以自由地使用任何您喜欢的可用 WP 来抑制 μ 子。

基因匹配定义为：

  • 1为瞬发电子
  • 2为瞬发μ介子
  • 3表示来自 tau 衰变的电子
  • 4代表来自 tau 衰变的 μ 子
  • 5代表真正的 taus
  • 6代表不匹配，或者喷气式飞机假装 taus。有关 taus 基因匹配的更多信息，请参阅此处。请注意，在 nanoAOD 中，这可用作Tau_GenPartFlav ，但 jet 或不匹配对应于Tau_GenPartFlav==0而不是6 。

SF 适用于以下活动：

年份标签MC活动数据活动
2016Legacy (*) RunIISummer16MiniAODv3 17Jul2018
2017ReReco (*) RunIIFall17MiniAODv2 31Mar2018
2018ReReco (*) RunIIAutumn18MiniAOD 17Sep2018 / 22Jan2019
UL2016_preVFP RunIISummer20UL16*APV (HIPM_)UL2016_MiniAODv*
UL2016_postVFP RunIISummer20UL16 UL2016_MiniAODv*
UL2017 RunIISummer20UL17 UL2017_MiniAODv*
UL2018 RunIISummer20UL18 UL2018_MiniAODv*

(*) 为 UL 前样本提供的 SF 遵循 pT 或 DM 分档的旧惯例，并遵循旧的不确定性方案，其中仅报告总不确定性

用法

给出了一个简单的脚本来转储保存在data/中文件的直方图或函数中的校正。使用例如

 ./test/dumpTauIDSFs.py data/TauID_SF_*_DeepTau2017v2p1VSjet_*.root

DM 和 pT 依赖性 SF

DM 和 pT 相关 SF 在 DeepTau2017v2p1 的“TauID_SF_dm_DeepTau2017v2p1VSjet_VSjetX_VSeleY_Mar07.root”根文件和 DeepTau2017v2p1 的“TauID_SF_dm_DeepTau2018v2p5VSjet_VSjetX_VSeleY_Jul18.root”根文件中作为 TF1 函数提供。 DeepTau2018v2p5，其中 X 对应于 VSjet WP，Y 对应于 VSele WP。

ROOT 文件包含多个函数。中心值是从名为“DM$DM_$ERA_fit”的函数中获得的，其中 $DM 是衰减模式 = 0、1、10 或 11，$ERA = 2016_preVFP、2016_postVFP、2017 或 2018。

例如，要获取 2018 年 DM=1 时'DeepTau2017v2p1VSjet'鉴别器的 Medium VSjet 和 VVLoose VSele WP 的 SF 中心值，请使用

 file = TFile("data/TauID_SF_dm_DeepTau2017v2p1VSjet_VSjetMedium_VSeleVVLoose_Mar07.root")
func = file.Get('DM1_2018_fit')
sf   = func.Eval(pt)

还有一些与系统变化相对应的函数可以通过相同的方式访问。下表总结了 DeepTau2017v2p1 的函数名称及其对应的不确定性：

不确定ROOT 文件中的函数名称要传递给工具的字符串笔记按时代相关通过 DM 关联
Statistical uncertainty 1 DM$DM_$ERA_fit_uncert0_{up,down} uncert0_{up,down} Statistical uncertainty on linear fit parameters from eigendecomposition of covariance matrix. ✗ ✗
Statistical uncertainty 2 DM$DM_$ERA_fit_uncert1_{up,down} uncert1_{up,down} Statistical uncertainty on linear fit parameters from eigendecomposition of covariance matrix. ✗ ✗
Systematic alleras DM$DM_$ERA_syst_alleras_{up,down}_fit syst_alleras_{up,down} The component of the systematic uncertainty that is correlated across DMs and eras ✓ ✓
Systematic by-era DM$DM_$ERA_syst_$ERA_{up,down}_fit syst_$ERA_{up,down} The component of the systematic uncertainty that is correlated across DMs but uncorrelated by eras ✗ ✓
Systematic by-era and by-DM DM$DM_$ERA_syst_dm$DM_$ERA_{up,down}_fit syst_dm$DM_$ERA_{up,down} The component of the systematic uncertainty that is uncorrelated across DMs and eras ✗ ✗

下表总结了 DeepTau2018v2p5 的函数名称及其对应的不确定性：

不确定ROOT 文件中的函数名称要传递给工具的字符串笔记按时代相关通过 DM 关联
Statistical uncertainty 1 DM$DM_$ERA_fit_uncert0_{up,down} uncert0_{up,down} Statistical uncertainty on linear fit parameters from eigendecomposition of covariance matrix. ✗ ✗
Statistical uncertainty 2 DM$DM_$ERA_fit_uncert1_{up,down} uncert1_{up,down} Statistical uncertainty on linear fit parameters from eigendecomposition of covariance matrix. ✗ ✗
Systematic alleras DM$DM_$ERA_syst_alleras_{up,down}_fit syst_alleras_{up,down} The component of the systematic uncertainty that is correlated across DMs and eras ✓ ✓
Systematic by-era DM$DM_$ERA_syst_alldms_$ERA_{up,down}_fit syst_alldms_$ERA_{up,down} The component of the systematic uncertainty that is correlated across DMs but uncorrelated by eras ✗ ✗
Systematic Tau Energy scale DM$DM_$ERA_TES{Up,Down}_fit TES_{up,down} The uncertainty due to the tauenergy scale systematic uncertainty ✗ ✗

还可以使用以下工具访问 SF： 

 from TauPOG.TauIDSFs.TauIDSFTool import TauIDSFTool
tauSFTool = TauIDSFTool(year='UL2018',id='DeepTau2017v2p1VSjet',wp='Medium',wp_vsele='VVLoose',ptdm=True)
sf        = tauSFTool.getSFvsDMandPT(pt,dm,genmatch)

不确定性变化可以通过以下方式获得： 

 sf        = tauSFTool.getSFvsDMandPT(pt,dm,genmatch,unc)

其中unc字符串用于识别上表第三列中给出的系统变异

高 pT pT 依赖性 SF

对 pT>140 GeV 的 taus 敏感的分析应切换到在 140 GeV 以上的 pT 箱中测量的专用高 pT SF

SF 在“TauID_SF_Highpt_DeepTau2017v2p1VSjet_VSjetX_VSeleY_Mar07.root”ROOT 文件中作为 TGraphAsymmErrors 对象提供，其中 X 对应于 VSjet WP，Y 对应于 VSele WP。

ROOT 文件包含多个图表。中心值是从名为“DMinclusive_$ERA”的图表中获得的，其中 $ERA = 2016_preVFP、2016_postVFP、2017 或 2018。这些图表包含 2 个 pT bin，pT 为 100-200，且 pT>200 GeV。您应该仅将它们用作分箱值。对于 140-200 GeV 之间的 taus，使用第一个 bin，对于 pT>200 GeV 的 taus，使用第二个 bin。

还可以使用以下工具访问 SF： 

 from TauPOG.TauIDSFs.TauIDSFTool import TauIDSFTool
tauSFTool = TauIDSFTool(year='UL2018',id='DeepTau2017v2p1VSjet',wp='Medium',wp_vsele='VVLoose',highpT=True)
sf        = tauSFTool.getHighPTSFvsPT(pt,genmatch)

不确定性变化可以通过以下方式获得： 

 sf        = tauSFTool.getHighPTSFvsPT(pt,genmatch,unc)

其中“unc”取决于不确定性源。下表描述了不确定性源以及您需要传递给工具以检索它们的字符串：

不确定要传递给工具的字符串笔记按时代相关与 pT 相关
Statistical uncertainty 1 stat_bin1_{up,down} Statistical uncertainty on the pT 140-200 GeV bin. Note this also includes systematic uncertainties that are decorrelated by pT bin and era (since they also behave like statistical uncertainties) ✗ ✗
Statistical uncertainty 2 stat_bin2_{up,down} Statistical uncertainty on the pT >200 GeV bin. Note this also includes systematic uncertainties that are decorrelated by pT bin and era (since they also behave like statistical uncertainties) ✗ ✗
Systematic syst_{up,down} The systematic uncertainty that is correlated across pT regions and eras ✓ ✓
Extrapolation Systematic extrap_{up,down} The systematics uncertainty due to the extrapolation of the SF to higher pT regions ✓ ✓

pT依赖性SF

已弃用 UL MC - 请改用 DM 和 pT 相关的 SF！

嵌入的比例因子仍然遵循 pT 或 DM 分档 SF 的旧规定，因此这些说明在这种情况下仍然适用

pT 依赖性 SF 作为TF1函数提供。例如，要获取 2016 年'DeepTau2017v2p1VSjet'鉴别器的中 WP 的值，请使用

 file = TFile("data/TauID_SF_pt_DeepTau2017v2p1VSjet_2016Legacy.root")
func = file.Get('Medium_cent')
sf   = func.Eval(pt)

该工具可用作

 from TauPOG.TauIDSFs.TauIDSFTool import TauIDSFTool
tauSFTool = TauIDSFTool('2016Legacy','DeepTau2017v2p1VSjet','Medium',ptdm=False)

并检索给定 tau pT 的 SF，执行

 sf = tauSFTool.getSFvsPT(pt)

SF 应该只应用于在 gen 级别匹配“真实”taus 的 tau 对象 ( genmatch==5 )。您可以传递可选的genmatch参数，如果genmatch==5 ，该函数将返回适当的 SF ，否则返回1.0 ， 

 sf = tauSFTool.getSFvsPT(pt,genmatch)

建议的不确定性可以检索为

 sf_up   = tauSFTool.getSFvsPT(pt,genmatch,unc='Up')
sf_down = tauSFTool.getSFvsPT(pt,genmatch,unc='Down')

或者，三者同时进行： 

 sf_down, sf, sf_up = tauSFTool.getSFvsPT(pt,genmatch,unc='All')

对于嵌入样本的 tau ID SF，将emb标志设置为True ： 

 tauSFTool = TauIDSFTool('2017ReReco','DeepTau2017v2p1VSjet','Medium',emb=True)

如果您的分析使用比 VLoose 宽松的 DeepTauVSe WP 和/或比中等鉴别器宽松的 DeepTauVSmu，则应使用otherVSlepWP标志添加额外的不确定性： 

 tauSFTool = TauIDSFTool('2017ReReco','DeepTau2017v2p1VSjet','Medium',otherVSlepWP=True)

DM 依赖性 SF

已弃用 UL MC - 请改用 DM 和 pT 相关的 SF！

嵌入的比例因子仍然遵循 pT 或 DM 分档 SF 的旧规定，因此这些说明在这种情况下仍然适用

使用 ditau 触发器和 tau pT > 40 GeV 进行分析，可以使用 DM 依赖性 SF。请注意，衰减模式 5 和 6 没有可用的 SF，并且该工具默认返回 1，请阅读此 TWiki 部分。它们以TH1直方图的形式提供。例如，要获取 2016 年'DeepTau2017v2p1VSjet'鉴别器的中 WP 的值，请使用

 file = TFile("data/TauID_SF_dm_DeepTau2017v2p1VSjet_2016Legacy.root")
hist = file.Get('Medium')
sf   = hist.GetBinContent(hist.GetXaxis().FindBin(dm))

或使用工具， 

 from TauPOG.TauIDSFs.TauIDSFTool import TauIDSFTool
tauSFTool = TauIDSFTool('2017ReReco','MVAoldDM2017v2','Tight',dm=True,ptdm=False)
sf        = tauSFTool.getSFvsDM(pt,dm,genmatch)
sf_up     = tauSFTool.getSFvsDM(pt,dm,genmatch,unc='Up')
sf_down   = tauSFTool.getSFvsDM(pt,dm,genmatch,unc='Down')

其中genmatch是可选的。

抗轻子鉴别器的依赖于 eta 的假率 SF

要将 SF 应用于伪造 tau 的电子或 μ 子，请使用重建 tau 的 eta 和genmatch代码。它们以TH1直方图的形式提供： 

 file = TFile("data/TauID_SF_eta_DeepTau2017v2p1VSmu_2016Legacy.root")
hist = file.Get('Medium')
sf   = hist.GetBinContent(hist.GetXaxis().FindBin(eta))

或使用工具， 

 python/TauIDSFTool.py
antiEleSFTool = TauIDSFTool('2017ReReco','antiEleMVA6','Loose')
antiMuSFTool  = TauIDSFTool('2017ReReco','antiMu3','Tight')
antiEleSF     = antiEleSFTool.getSFvsEta(eta,genmatch)
antiMuSF      = antiMuSFTool.getSFvsEta(eta,genmatch)

不确定度的获取方式与上述类似。

DM 依赖性 tau 能量标度

DeepTau2018v2p5 的用法

文件data/TauES_dm_DeepTau2018v2p5VSjet_$ERA_VSjet$X_VSele$Y_Jul18.root中提供了 pT<140 GeV 的 tau 能量标度 (TES) 校正，其中 $X 对应于 VSjet WP，$Y 对应于 VSele WP， $ERA = UL2016_preVFP， UL2016_postVFP、UL2017 或 UL2018

每个文件包含一个直方图 ( 'tes' )，TES 以1.0为中心，在 tau 衰变模式的 bin 中测量。它应该通过乘以 tau TLorentzVector或等效的 tau 能量、pT 和质量来应用于真正的 tau，如下所示： 

 file = TFile("data/TauES_dm_DeepTau2018v2p5VSjet_UL2018_VSjetMedium_VSeleVVLoose_Jul18.root")
hist = file.Get('tes')
tes  = hist.GetBinContent(hist.GetXaxis().FindBin(dm))

# scale the tau's TLorentzVector
tau_tlv *= tes

# OR, scale the energy, mass and pT
tau_E  *= tes
tau_pt *= tes
tau_m  *= tes

衰减模式 0、1 和 10 的不确定性等于 1.5%，衰减模式 11 的不确定性等于 2%。不确定性应与衰减模式和时代去相关。对于 pT>140 GeV 的 taus，不应对 MC 的标称 TES 值进行修正，但应包括更大的 3% 不确定性。提供了一个简单的类TauESTool来获取 TES： 

 from TauPOG.TauIDSFs.TauIDSFTool import TauESTool
testool = TauESTool('UL2018','DeepTau2018v2p5VSjet',wp='Medium', wp_vsele='VVLoose')
tes     = testool.getTES(pt,dm,genmatch)
tesUp   = testool.getTES(pt,dm,genmatch,unc='Up')
tesDown = testool.getTES(pt,dm,genmatch,unc='Down')

该方法计算低 pT (20 GeV < pT < 140 GeV) 和较高 pT 值 (pT > 140 GeV) 的中心值和不确定性。

DeepTau2017v2p1 的用法

文件data/TauES_dm_*.root中提供了 tau 能量标度 (TES)。每个文件包含一个直方图（ 'tes' ），TES 以1.0为中心。它应该通过乘以 tau TLorentzVector或等效的 tau 能量、pT 和质量来应用于真正的 tau，如下所示： 

 file = TFile("data/TauES_dm_DeepTau2017v2p1VSjet_UL2018.root")
hist = file.Get('tes')
tes  = hist.GetBinContent(hist.GetXaxis().FindBin(dm))

# scale the tau's TLorentzVector
tau_tlv *= tes

# OR, scale the energy, mass and pT
tau_E  *= tes
tau_pt *= tes
tau_m  *= tes

提供了一个简单的类TauESTool来获取 TES： 

 from TauPOG.TauIDSFs.TauIDSFTool import TauESTool
testool = TauESTool('2017ReReco','DeepTau2017v2p1VSjet')
tes     = testool.getTES(pt,dm,genmatch)
tesUp   = testool.getTES(pt,dm,genmatch,unc='Up')
tesDown = testool.getTES(pt,dm,genmatch,unc='Down')

该方法计算中间 (34 GeV < pT < 170 GeV) 和较高 pT 值 (pT > 170 GeV) 的正确不确定性。只想在高 pT 下使用 TES 的分析，可以使用以下内容： 

 tes     = testool.getTES_highpt(dm,genmatch)

Tau 能量尺度不确定性处理

Eta- & DM 依赖 e -> tau 假能量标度

文件data/TauFES_eta-dm_*.root中提供了 e -> tau 假能量标度 (FES)。每个文件包含一个图表（ 'fes' ），FES 以1.0为中心。它只能应用于由电子伪造的重建 taus（即genmatch==1或3 ）并且具有 DM 0 或 1。应用程序与上面的 TES 类似。提供了一个简单的类TauFESTool来获取 FES，如下所示

 from TauPOG.TauIDSFs.TauIDSFTool import TauFESTool
festool = TauESTool('2017ReReco')
fes     = festool.getFES(eta,dm,genmatch)
fesUp   = festool.getFES(eta,dm,genmatch,unc='Up')
fesDown = festool.getFES(eta,dm,genmatch,unc='Down')
展开
附加信息
相关应用
为您推荐
相关资讯 全部