Käytännön tieteellisessä laskennassa signaalit ovat usein kohinan saastuttamia, mikä vaikeuttaa merkityksellisten piirteiden erottamista. Suodatus ja huippujen tunnistus ovat olennaisia työkaluja tällaisen kohinaisen datan analysoinnissa. Tässä haasteessa käytät `scipy.signal`-kirjastoa aikajonon käsittelyyn poistamalla kohinaa ja tunnistamalla merkittävät huiput, jotka ovat usein kiinnostavia tekniikan ja tieteen sovelluksissa.


import unittest
import user_code
import ast
import re   
import unittest
import numpy as np
from scipy import signal
import importlib

class TestTask(unittest.TestCase):
    def setUp(self):
        self.time = np.linspace(0, 10, 500)
        np.random.seed(0)
        self.clean_signal = np.sin(2 * np.pi * 1.5 * self.time)
        self.noise = np.random.normal(0, 0.5, self.time.shape)
        self.noisy_signal = self.clean_signal + self.noise

    def test_returns_indices(self):
        import user_code
        importlib.reload(user_code)
        indices = user_code.filter_and_find_peaks(self.time, self.noisy_signal)
        _dynamic_test(
            self,
            isinstance(indices, (list, np.ndarray)),
            "Function returns a list or array of indices.",
            f"Expected a list or array, got {type(indices)}."
        )
        _dynamic_test(
            self,
            all(isinstance(i, (int, np.integer)) for i in indices),
            "All returned values are integer indices.",
            "Returned indices are not all integers."
        )

    def test_filter_is_used(self):
        import user_code
        importlib.reload(user_code)
        # Get filtered signal by re-implementing expected filter
        b, a = signal.butter(N=4, Wn=0.1, btype='low')
        filtered = signal.filtfilt(b, a, self.noisy_signal)
        # Find peaks in filtered signal
        expected_peaks, _ = signal.find_peaks(filtered)
        result_peaks = user_code.filter_and_find_peaks(self.time, self.noisy_signal)
        # Test that result is not just peaks from original noisy data
        noisy_peaks, _ = signal.find_peaks(self.noisy_signal)
        # Compare overlap with expected
        overlap = len(set(result_peaks).intersection(set(expected_peaks)))
        _dynamic_test(
            self,
            overlap >= len(expected_peaks) * 0.8,
            "Detected peaks match those found after correct filtering.",
            f"Detected peaks do not match expected peaks after filtering. Overlap: {overlap} / {len(expected_peaks)}"
        )
        # Should not just return peaks from noisy data
        overlap_noisy = len(set(result_peaks).intersection(set(noisy_peaks)))
        _dynamic_test(
            self,
            overlap > overlap_noisy,
            "Peak detection is performed on filtered signal, not raw data.",
            "Peak detection appears to be performed on raw data, not filtered signal."
        )

    def test_indices_are_local_maxima(self):
        import user_code
        importlib.reload(user_code)
        b, a = signal.butter(N=4, Wn=0.1, btype='low')
        filtered = signal.filtfilt(b, a, self.noisy_signal)
        peaks = user_code.filter_and_find_peaks(self.time, self.noisy_signal)
        for idx in peaks:
            if 1 <= idx < len(filtered) - 1:
                cond = filtered[idx] > filtered[idx-1] and filtered[idx] > filtered[idx+1]
                _dynamic_test(
                    self,
                    cond,
                    f"Index {idx} is a local maximum in the filtered signal.",
                    f"Index {idx} is not a local maximum in the filtered signal."
                )

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.

Haaste: Signaalin Suodatus ja Analyysi

Ratkaisu