Du har utforsket ulike interpolasjonsmetoder i SciPy og sett hvordan de kan brukes til å estimere verdier mellom kjente datapunkter. I virkelige eksperimenter samles data ofte inn med uregelmessige intervaller, men analyse eller rapportering kan kreve verdier ved jevne intervaller. **Interpolasjon** gir en praktisk løsning for å estimere disse manglende verdiene. I denne utfordringen skal du bruke `scipy.interpolate.interp1d` for å estimere temperaturverdier ved jevne tidsintervaller fra et sett med uregelmessig fordelte målinger.


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

Et omfattende kurs utviklet for studenter med solid matematisk bakgrunn og middels til avanserte Python-ferdigheter, med fokus på å utnytte SciPy for vitenskapelig databehandling, optimalisering, integrasjon og avanserte matematiske operasjoner.

Utforsk strukturen, kjernemodulene og essensielle funksjoner i SciPy for vitenskapelig databehandling.

Fordyp deg i SciPys kraftige lineær algebra-funksjoner for å løse matematiske problemer fra virkeligheten.

Bli ekspert på optimaliseringsteknikker og rotfinningsalgoritmer ved bruk av SciPy for vitenskapelige og tekniske problemer.

Utforsk avanserte matematiske operasjoner inkludert integrasjon, interpolasjon og grunnleggende signalbehandling med SciPy.

Utfordring: Interpolering av eksperimentelle data

Løsning