Bei der Bearbeitung von ingenieurwissenschaftlichen Problemen stößt man häufig auf mathematische Funktionen, die mit elementaren Operationen schwer oder gar nicht exakt berechnet werden können. Das `scipy.special`-Untermodule von SciPy bietet Zugriff auf eine Vielzahl spezieller Funktionen, die in Ingenieurwesen, Physik und Wahrscheinlichkeitstheorie weit verbreitet sind. Eine dieser Funktionen ist die **Gammafunktion**, die die Fakultätsfunktion auf nicht-ganzzahlige Werte verallgemeinert und häufig in Wahrscheinlichkeitsverteilungen und statistischen Berechnungen vorkommt.


import unittest
import user_code
import ast
import re   
import unittest
import importlib
import math

class TestTask(unittest.TestCase):
    def test_gamma_positive_integer(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.compute_gamma(5)
        expected = math.gamma(5)
        _dynamic_test(
            self,
            abs(result - expected) < 1e-10,
            "Correct gamma value for integer input (5)",
            f"Expected gamma(5)={expected}, got {result}",
        )

    def test_gamma_positive_noninteger(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.compute_gamma(2.7)
        expected = math.gamma(2.7)
        _dynamic_test(
            self,
            abs(result - expected) < 1e-10,
            "Correct gamma value for non-integer input (2.7)",
            f"Expected gamma(2.7)={expected}, got {result}",
        )

    def test_gamma_half(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.compute_gamma(0.5)
        expected = math.gamma(0.5)
        _dynamic_test(
            self,
            abs(result - expected) < 1e-10,
            "Correct gamma value for input 0.5",
            f"Expected gamma(0.5)={expected}, got {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

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: Spezielle Funktionen in der Technik

Lösung