Når du fortsetter reisen med **SciPy**, er det viktig å utvikle evnen til å identifisere hvilke undermoduler som passer best til ulike vitenskapelige programmeringsoppgaver. **SciPy** er organisert i spesialiserte undermoduler, der hver fokuserer på et bestemt område som optimalisering, integrasjon, lineær algebra og mer. Ved å øve på å importere disse undermodulene riktig, legger du grunnlaget for effektiv og nøyaktig vitenskapelig databehandling.


import unittest
import user_code
import ast
import re   
import importlib
import sys
import types
import unittest

class TestTask(unittest.TestCase):
    def test_import_optimize(self):
        import user_code
        importlib.reload(user_code)
        has_optimize = hasattr(user_code, 'optimize') or 'scipy.optimize' in sys.modules
        try:
            from scipy import optimize
            expected = True
        except ImportError:
            expected = False
        _dynamic_test(
            self,
            expected and ('scipy.optimize' in sys.modules or hasattr(user_code, 'optimize')),
            "Correctly imports scipy.optimize for root finding",
            "Did not import scipy.optimize for root finding",
        )

    def test_import_integrate(self):
        import user_code
        importlib.reload(user_code)
        has_integrate = hasattr(user_code, 'integrate') or 'scipy.integrate' in sys.modules
        try:
            from scipy import integrate
            expected = True
        except ImportError:
            expected = False
        _dynamic_test(
            self,
            expected and ('scipy.integrate' in sys.modules or hasattr(user_code, 'integrate')),
            "Correctly imports scipy.integrate for numerical integration",
            "Did not import scipy.integrate for numerical integration",
        )

    def test_import_linalg(self):
        import user_code
        importlib.reload(user_code)
        has_linalg = hasattr(user_code, 'linalg') or 'scipy.linalg' in sys.modules
        try:
            from scipy import linalg
            expected = True
        except ImportError:
            expected = False
        _dynamic_test(
            self,
            expected and ('scipy.linalg' in sys.modules or hasattr(user_code, 'linalg')),
            "Correctly imports scipy.linalg for linear algebra",
            "Did not import scipy.linalg for linear algebra",
        )

    def test_import_interpolate(self):
        import user_code
        importlib.reload(user_code)
        has_interpolate = hasattr(user_code, 'interpolate') or 'scipy.interpolate' in sys.modules
        try:
            from scipy import interpolate
            expected = True
        except ImportError:
            expected = False
        _dynamic_test(
            self,
            expected and ('scipy.interpolate' in sys.modules or hasattr(user_code, 'interpolate')),
            "Correctly imports scipy.interpolate for interpolation",
            "Did not import scipy.interpolate for interpolation",
        )

    def test_import_signal(self):
        import user_code
        importlib.reload(user_code)
        has_signal = hasattr(user_code, 'signal') or 'scipy.signal' in sys.modules
        try:
            from scipy import signal
            expected = True
        except ImportError:
            expected = False
        _dynamic_test(
            self,
            expected and ('scipy.signal' in sys.modules or hasattr(user_code, 'signal')),
            "Correctly imports scipy.signal for signal processing",
            "Did not import scipy.signal for signal processing",
        )

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: Utforske SciPy-Undermoduler

Løsning