I mange vitenskapelige og tekniske anvendelser må du ofte beregne arealet under en kurve når en eksakt formel for integralet ikke er tilgjengelig. Dette er vanlig i virkelige situasjoner, for eksempel når du skal finne total distanse et objekt har beveget seg, gitt at du kjenner hastigheten på ulike tidspunkter, men ikke har en enkel ligning for banen. Du kan bruke numerisk integrasjon for å tilnærme dette arealet effektivt med SciPys `scipy.integrate.quad`-funksjon.


import unittest
import user_code
import ast
import re   
import unittest
import importlib
import math

class TestTask(unittest.TestCase):
    def test_total_distance_0_to_5(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.total_distance_traveled(0, 5)
        # Analytical integral: int(3t^2+2t+1) dt from 0 to 5 = [t^3 + t^2 + t] from 0 to 5 = (125+25+5)-(0) = 155
        expected = 155.0
        _dynamic_test(
            self,
            math.isclose(result, expected, rel_tol=1e-6),
            "Correct total distance for interval [0, 5]",
            f"Expected {expected}, got {result} for [0, 5]",
        )

    def test_total_distance_2_to_8(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.total_distance_traveled(2, 8)
        # int(3t^2+2t+1) dt = [t^3 + t^2 + t] from 2 to 8
        # At 8: 512 + 64 + 8 = 584
        # At 2: 8 + 4 + 2 = 14
        expected = 584 - 14
        _dynamic_test(
            self,
            math.isclose(result, expected, rel_tol=1e-6),
            "Correct total distance for interval [2, 8]",
            f"Expected {expected}, got {result} for [2, 8]",
        )

    def test_total_distance_same_limits(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.total_distance_traveled(3, 3)
        expected = 0.0
        _dynamic_test(
            self,
            math.isclose(result, expected, rel_tol=1e-12),
            "Returns zero when start_time == end_time",
            f"Expected 0.0, got {result} for [3, 3]",
        )

    def test_total_distance_reversed_limits(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.total_distance_traveled(5, 0)
        # Should be negative of [0,5] case
        expected = -155.0
        _dynamic_test(
            self,
            math.isclose(result, expected, rel_tol=1e-6),
            "Returns negative distance for reversed interval",
            f"Expected {expected}, got {result} for [5, 0]",
        )

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: Areal Under en Kurve

Løsning