首先，stog是有两个不同的package，一个是在RMCProfile里边打包的，直接在RMCProfile的命令行里就可以执行的，命令是'stog_new'，具体的使用说明在这里，https://rmcprofile.ornl.gov/data-pre-processing-for-rmcprofile/

你在文档里提到是stog的Python版本，功能上跟上面的版本是一样的，可能还会更丰富些，包括data rebinning这些都可以在pystog里边做。

针对data rescaling的需求，两个版本需要的参数基本是一对一对应的，这些参数的说明在上面提到的链接里都有，有可能名字是不一样的，比如你提到的rho，也叫做number density，这个在连接里也有提到。另外你在文档里提到的pystog的参考文档的使用方式是可以，但是其实它有一种更简便的办法，可以参照这里的文档，https://powder.ornl.gov/total_scattering/data_reduction/ts_pp.html，在这里你就能看到，它的输入和RMCProfile版本的stog是基本一对一对应的。参数说明上面的两个链接里都有介绍，应该是比较清楚的，有问题的话可以找我哈。值得一提的是你提到的<b_coh>^2，这个叫做Faber-Ziman系数，是由composition决定的，可以在这里说如composition进行计算，https://addie.ornl.gov/helpsheet，在结果的显示页里，关于它的定义也是有介绍的。

在上面提到的第二个链接里，有一个Google Colab Notebook的链接，点进去直接运行所有的cells一步一步可以跟着做，主要就是利用pystog的一些基础功能做一些rebin，傅里叶变换，数据格式转换这些。'stog_new'和里边提到的'pystog_cli'（它的输入文件是一个json文件）就是把这些基础攒在一起直接take in reciprocal space data，做rescaling，傅里叶变换等等这些，in a single shot。

我之前分享给你的数据都是经历过scaling的步骤的，就是都用‘pystog_cli’处理过，如果需要rescale的话，就需要用到原始的reciprocal space的数据，它不在你文档里show的那张图里边，你的数据的话可以去这里找，/SNS/NOM/IPTS-33670/shared/autoreduce/multi_banks_summed/SofQ_merged，里边所有以merged.sq结尾的数据都是原始的，没有经过任何rescaling的reciprocal space的数据。