Das Anpassen von Modellen an experimentelle Daten ist eine grundlegende Aufgabe im wissenschaftlichen Rechnen und ermöglicht es, aussagekräftige Trends aus verrauschten Messungen zu extrahieren. In den vorherigen Kapiteln wurden Optimierungs- und Nullstellenfindungsmethoden behandelt sowie Kurvenanpassung und Ausgleichsrechnung vorgestellt. Nun werden diese Konzepte praktisch angewendet, indem mit `scipy.optimize.curve_fit` ein Polynommodell an eine Menge verrauschter Datenpunkte angepasst wird. Diese praktische Herausforderung dient dazu, das Verständnis für Datenanpassung und die Extraktion von Modellparametern zu festigen.


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

class TestTask(unittest.TestCase):
    def test_coefficients_tuple_length_and_type(self):
        import user_code
        importlib.reload(user_code)
        coeffs = getattr(user_code, 'coefficients', None)
        _dynamic_test(
            self,
            isinstance(coeffs, tuple) and len(coeffs) == 3 and all(isinstance(x, (int, float, np.floating, np.integer)) for x in coeffs),
            "Returned coefficients are a tuple of three numeric values.",
            f"Expected a tuple of three numbers, got: {coeffs}",
        )

    def test_coefficients_approximate_true_values(self):
        import user_code
        importlib.reload(user_code)
        coeffs = getattr(user_code, 'coefficients', None)
        expected = [2.5, -1.3, 0.5]
        tolerance = [0.4, 0.6, 0.7]
        _dynamic_test(
            self,
            coeffs is not None and all(abs(c - e) < t for c, e, t in zip(coeffs, expected, tolerance)),
            "Fitted coefficients are within acceptable tolerance of true values.",
            f"Fitted coefficients {coeffs} are not close to true values {expected}",
        )

    def test_function_works_for_different_data(self):
        import user_code
        import importlib
        import numpy as np
        importlib.reload(user_code)
        fit_func = getattr(user_code, 'fit_noisy_data', None)
        _dynamic_test(
            self,
            callable(fit_func),
            "fit_noisy_data function exists and is callable.",
            "fit_noisy_data function is not defined.",
        )
        np.random.seed(42)
        x = np.linspace(-3, 3, 20)
        y = 1.8 * x**2 + 0.7 * x - 2.2 + np.random.normal(scale=2.0, size=x.shape)
        coeffs = fit_func(x, y)
        expected = [1.8, 0.7, -2.2]
        tolerance = [0.15, 0.7, 0.7]  # Adjusted tolerance for b and c due to noise
        _dynamic_test(
            self,
            isinstance(coeffs, tuple) and len(coeffs) == 3 and all(abs(c - e) < t for c, e, t in zip(coeffs, expected, tolerance)),
            "fit_noisy_data works correctly for new data arrays.",
            f"Returned coefficients {coeffs} are not close to expected {expected} for new data.",
        )

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.

Herausforderung: Datenanpassung in der Praxis

Lösung