I praktisk vitenskapelig databehandling er signaler ofte forurenset med støy, noe som gjør det utfordrende å hente ut meningsfulle egenskaper. Filtrering og toppdeteksjon er viktige verktøy for å analysere slike støyende data. I denne utfordringen skal du bruke `scipy.signal` til å behandle en tidsserie ved å fjerne støy og deretter identifisere betydningsfulle topper, som ofte er av interesse innen ingeniørfag og vitenskapelige anvendelser.


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

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.

Challenge: Signalfiltrering og Analyse

Løsning