I praktiske videnskabelige og ingeniørmæssige sammenhænge er det ofte nødvendigt at løse systemer af lineære ligninger for at analysere virkelige problemer. Et eksempel er analyse af elektriske kredsløb, hvor forholdet mellem spændinger og strømme i et kredsløb kan beskrives ved hjælp af lineære ligninger udledt fra Kirchhoffs love. SciPy's `scipy.linalg.solve`-funktion giver en robust og effektiv metode til at finde løsninger på disse systemer, hvilket gør det muligt at arbejde med reelle data og komplekse modeller.


import unittest
import user_code
import ast
import re   
import unittest
import numpy as np
import importlib

class TestTask(unittest.TestCase):
    def test_sample_solution(self):
        import user_code
        importlib.reload(user_code)
        a = np.array([[10, 2], [3, 8]])
        b = np.array([14, 19])
        result = user_code.analyze_circuit(a, b)
        expected = np.linalg.solve(a, b)
        _dynamic_test(
            self,
            isinstance(result, np.ndarray) and np.allclose(result, expected),
            "Returns correct solution for sample input.",
            f"Expected {expected}, got {result}.",
        )

    def test_other_unique_solution(self):
        import user_code
        importlib.reload(user_code)
        a = np.array([[4, 1], [2, 3]])
        b = np.array([9, 13])
        result = user_code.analyze_circuit(a, b)
        expected = np.linalg.solve(a, b)
        _dynamic_test(
            self,
            isinstance(result, np.ndarray) and np.allclose(result, expected),
            "Returns correct solution for another 2x2 system.",
            f"Expected {expected}, got {result}.",
        )

    def test_zero_rhs(self):
        import user_code
        importlib.reload(user_code)
        a = np.array([[5, -1], [2, 3]])
        b = np.zeros(2)
        result = user_code.analyze_circuit(a, b)
        expected = np.linalg.solve(a, b)
        _dynamic_test(
            self,
            isinstance(result, np.ndarray) and np.allclose(result, expected),
            "Returns correct solution when b contains zeros.",
            f"Expected {expected}, got {result}.",
        )

    def test_shape_and_type(self):
        import user_code
        importlib.reload(user_code)
        a = np.array([[1, 2], [3, 4]])
        b = np.array([5, 6])
        result = user_code.analyze_circuit(a, b)
        _dynamic_test(
            self,
            isinstance(result, np.ndarray) and result.shape == (2,),
            "Returns NumPy array of correct shape.",
            f"Result shape/type incorrect: {result}",
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\s{2,}", " ", text)
    text = re.sub(r"\s*([,:?])\s*", r"\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    for i, node in enumerate(tree.body):
        if isinstance(node, ast.Assign):
            for target in node.targets:
                if isinstance(target, ast.Name) and target.id == var_name:
                    start_line = node.lineno - 1
                    line = lines[start_line]
                    indent = ' ' * (len(line) - len(line.lstrip()))
                    lines[start_line] = f"{indent}{var_name} = {value}"
                    next_line = len(lines)
                    for next_node in tree.body[i+1:]:
                        if hasattr(next_node, 'lineno'):
                            next_line = next_node.lineno - 1
                            break
                    if next_line > start_line + 1:
                        lines[start_line+1:next_line] = []
                    
                    return '\\n'.join(lines)
    return code

if __name__ == "__main__":
    unittest.main()


test_main.py

Et omfattende kursus designet til studerende med stærke matematiske forudsætninger og mellemliggende til avancerede Python-færdigheder, med fokus på at udnytte SciPy til videnskabelig databehandling, optimering, integration og avancerede matematiske operationer.

Udforsk strukturen, kernemodulerne og de væsentlige funktioner i SciPy til videnskabelig databehandling.

Dyk ned i SciPys kraftfulde lineære algebrafunktioner til løsning af virkelige matematiske problemer.

Behersk optimeringsteknikker og rodfindingsalgoritmer ved hjælp af SciPy til videnskabelige og ingeniørmæssige problemer.

Udforsk avancerede matematiske operationer, herunder integration, interpolation og grundlæggende signalbehandling med SciPy.

Challenge: Løsning af Lineære Systemer

Løsning