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

class TestTask(unittest.TestCase):
    def test_returns_true_for_all_negative_real_parts(self):
        import user_code
        importlib.reload(user_code)
        # Stable system: eigenvalues -1, -2
        A = np.array([[-1, 0], [0, -2]])
        result = user_code.is_system_stable(A)
        _dynamic_test(
            self,
            result == True,
            "Returns True for matrix with eigenvalues -1, -2 (all negative real parts)",
            f"Expected True for stable system, got {result}",
        )

    def test_returns_false_for_non_negative_real_part(self):
        import user_code
        importlib.reload(user_code)
        # Unstable system: eigenvalues 1, -2
        B = np.array([[1, 0], [0, -2]])
        result = user_code.is_system_stable(B)
        _dynamic_test(
            self,
            result == False,
            "Returns False for matrix with eigenvalues 1, -2 (one non-negative real part)",
            f"Expected False for unstable system, got {result}",
        )

    def test_handles_complex_eigenvalues(self):
        import user_code
        importlib.reload(user_code)
        # Eigenvalues: -1+2j, -1-2j (real part -1)
        C = np.array([[-1, -2], [2, -1]])
        result = user_code.is_system_stable(C)
        _dynamic_test(
            self,
            result == True,
            "Returns True for matrix with complex eigenvalues with negative real parts",
            f"Expected True for stable system with complex eigenvalues, got {result}",
        )

    def test_handles_larger_matrix(self):
        import user_code
        importlib.reload(user_code)
        # 3x3 matrix, eigenvalues -1, -2, -3
        D = np.diag([-1, -2, -3])
        result = user_code.is_system_stable(D)
        _dynamic_test(
            self,
            result == True,
            "Returns True for 3x3 matrix with all negative real eigenvalues",
            f"Expected True for stable 3x3 system, got {result}",
        )

    def test_returns_false_for_zero_real_part(self):
        import user_code
        importlib.reload(user_code)
        # Eigenvalues: 0, -1
        E = np.array([[0, 0], [0, -1]])
        result = user_code.is_system_stable(E)
        _dynamic_test(
            self,
            result == False,
            "Returns False for matrix with eigenvalue 0 (real part not negative)",
            f"Expected False for system with eigenvalue 0, 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

Un cours complet conçu pour les étudiants ayant de solides bases en mathématiques et des compétences intermédiaires à avancées en Python, axé sur l'utilisation de SciPy pour le calcul scientifique, l'optimisation, l'intégration et les opérations mathématiques avancées.

Découvrez la structure, les modules principaux et les fonctionnalités essentielles de SciPy pour le calcul scientifique.

Plongez dans les puissantes capacités d'algèbre linéaire de SciPy pour résoudre des problèmes mathématiques concrets.

Maîtriser les techniques d'optimisation et les algorithmes de recherche de racines avec SciPy pour des problèmes scientifiques et d'ingénierie.

Explorez des opérations mathématiques avancées, y compris l'intégration, l'interpolation et le traitement du signal de base avec SciPy.

Défi : Applications des Valeurs Propres

Solution