Olet tutustunut erilaisiin interpolointimenetelmiin SciPyssa ja nähnyt, miten niitä voidaan käyttää arvojen arvioimiseen tunnettujen datapisteiden välillä. Todellisissa kokeissa data kerätään usein epäsäännöllisin välein, mutta analyysi tai raportointi saattaa vaatia arvoja säännöllisin välein. **Interpolointi** tarjoaa käytännöllisen ratkaisun näiden puuttuvien arvojen arvioimiseen. Tässä haasteessa käytät `scipy.interpolate.interp1d`-funktiota arvioidaksesi lämpötila-arvoja säännöllisin aikavälein epäsäännöllisesti mitatuista arvoista.


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

Kattava kurssi, joka on suunniteltu opiskelijoille, joilla on vahva matemaattinen tausta ja keskitason tai edistyneet Python-taidot, keskittyen SciPyn hyödyntämiseen tieteellisessä laskennassa, optimoinnissa, integroinnissa ja edistyneissä matemaattisissa operaatioissa.

Tutustu SciPyn rakenteeseen, ydinkirjastoihin ja keskeisiin ominaisuuksiin tieteellisessä laskennassa.

Syvenny SciPyn tehokkaisiin lineaarialgebran ominaisuuksiin todellisten matemaattisten ongelmien ratkaisemiseksi.

Hallitse optimointitekniikat ja juurtenetsintäalgoritmit SciPy:n avulla tieteellisiin ja teknisiin ongelmiin.

Tutustu edistyneisiin matemaattisiin operaatioihin, kuten integrointiin, interpolointiin ja perussignaalinkäsittelyyn SciPy-kirjastolla.

Challenge: Kokeellisten Tietojen Interpolointi

Ratkaisu