Du hast verschiedene Interpolationsmethoden in SciPy kennengelernt und gesehen, wie sie verwendet werden können, um Werte zwischen bekannten Datenpunkten zu schätzen. In realen Experimenten werden Daten häufig in unregelmäßigen Abständen erfasst, aber für die Analyse oder Berichterstattung werden oft Werte in regelmäßigen Abständen benötigt. **Interpolation** bietet eine praktische Lösung zur Schätzung dieser fehlenden Werte. In dieser Aufgabe verwendest du `scipy.interpolate.interp1d`, um Temperaturwerte zu regelmäßigen Zeitintervallen aus einer Reihe unregelmäßig verteilter Messungen zu schätzen.


import unittest
import user_code
import ast
import re   
import unittest
import numpy as np
import importlib
import io
from contextlib import redirect_stdout

class TestTask(unittest.TestCase):
    def setUp(self):
        import user_code
        importlib.reload(user_code)
        self.times = np.array([0, 3, 7, 10, 15])
        self.temperatures = np.array([22.0, 23.5, 24.0, 23.0, 22.5])
        self.regular_times = np.arange(0, 16, 1)
        self.result = user_code.interpolate_temperatures(self.times, self.temperatures, self.regular_times)

    def test_returns_numpy_array(self):
        _dynamic_test(
            self,
            isinstance(self.result, np.ndarray) and len(self.result) == len(self.regular_times),
            "Returns a NumPy array of the correct length.",
            f"Result is not a NumPy array of correct length: {type(self.result)}, {len(self.result)} vs {len(self.regular_times)}."
        )

    def test_first_and_last_value(self):
        _dynamic_test(
            self,
            np.isclose(self.result[0], self.temperatures[0]),
            "First value matches the original measurement.",
            f"First value {self.result[0]} does not match original {self.temperatures[0]}."
        )
        _dynamic_test(
            self,
            np.isclose(self.result[-1], self.temperatures[-1]),
            "Last value matches the original measurement.",
            f"Last value {self.result[-1]} does not match original {self.temperatures[-1]}."
        )

    def test_original_points_match(self):
        original_indices = [np.where(self.regular_times == t)[0][0] for t in self.times]
        for idx, temp in zip(original_indices, self.temperatures):
            _dynamic_test(
                self,
                np.isclose(self.result[idx], temp),
                f"Interpolated value at time {self.regular_times[idx]} matches original measurement.",
                f"Interpolated value at time {self.regular_times[idx]} is {self.result[idx]}, expected {temp}."
            )

    def test_linear_interpolation(self):
        # Check a value between 3 and 7 (e.g., at t=5)
        idx_5 = np.where(self.regular_times == 5)[0][0]
        # Linear interpolation between (3,23.5) and (7,24.0)
        t0, t1 = 3, 7
        y0, y1 = 23.5, 24.0
        expected_5 = y0 + (y1 - y0) * (5 - t0) / (t1 - t0)
        _dynamic_test(
            self,
            np.isclose(self.result[idx_5], expected_5),
            "Interpolated value at t=5 matches linear interpolation.",
            f"At t=5, expected {expected_5}, got {self.result[idx_5]}."
        )

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

Ein umfassender Kurs, der für Studierende mit fundierten Mathematikkenntnissen und fortgeschrittenen Python-Kenntnissen konzipiert ist und sich auf die Nutzung von SciPy für wissenschaftliches Rechnen, Optimierung, Integration und fortgeschrittene mathematische Operationen konzentriert.

Erkunden Sie die Struktur, Kernmodule und wesentlichen Funktionen von SciPy für wissenschaftliches Rechnen.

Tauchen Sie ein in die leistungsstarken linearen Algebra-Funktionen von SciPy zur Lösung realer mathematischer Probleme.

Beherrschung von Optimierungstechniken und Nullstellenalgorithmen mit SciPy für wissenschaftliche und technische Fragestellungen.

Erkunden Sie fortgeschrittene mathematische Operationen wie Integration, Interpolation und grundlegende Signalverarbeitung mit SciPy.

Challenge: Interpolating Experimental Data

Lösung