I praktiske vitenskapelige og ingeniørfaglige sammenhenger må du ofte løse systemer av lineære ligninger for å analysere reelle problemer. Et slikt scenario er analyse av elektriske kretser, der forholdet mellom spenninger og strømmer i en krets kan beskrives ved hjelp av lineære ligninger utledet fra Kirchhoffs lover. SciPys `scipy.linalg.solve`-funksjon gir en robust og effektiv metode for å finne løsninger på disse systemene, slik at du kan arbeide med reelle data og komplekse modeller.


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

class TestTask(unittest.TestCase):
    def test_sample_solution(self):
        import user_code
        importlib.reload(user_code)
        a = np.array([[10, 2], [3, 8]])
        b = np.array([14, 19])
        result = user_code.analyze_circuit(a, b)
        expected = np.linalg.solve(a, b)
        _dynamic_test(
            self,
            isinstance(result, np.ndarray) and np.allclose(result, expected),
            "Returns correct solution for sample input.",
            f"Expected {expected}, got {result}.",
        )

    def test_other_unique_solution(self):
        import user_code
        importlib.reload(user_code)
        a = np.array([[4, 1], [2, 3]])
        b = np.array([9, 13])
        result = user_code.analyze_circuit(a, b)
        expected = np.linalg.solve(a, b)
        _dynamic_test(
            self,
            isinstance(result, np.ndarray) and np.allclose(result, expected),
            "Returns correct solution for another 2x2 system.",
            f"Expected {expected}, got {result}.",
        )

    def test_zero_rhs(self):
        import user_code
        importlib.reload(user_code)
        a = np.array([[5, -1], [2, 3]])
        b = np.zeros(2)
        result = user_code.analyze_circuit(a, b)
        expected = np.linalg.solve(a, b)
        _dynamic_test(
            self,
            isinstance(result, np.ndarray) and np.allclose(result, expected),
            "Returns correct solution when b contains zeros.",
            f"Expected {expected}, got {result}.",
        )

    def test_shape_and_type(self):
        import user_code
        importlib.reload(user_code)
        a = np.array([[1, 2], [3, 4]])
        b = np.array([5, 6])
        result = user_code.analyze_circuit(a, b)
        _dynamic_test(
            self,
            isinstance(result, np.ndarray) and result.shape == (2,),
            "Returns NumPy array of correct shape.",
            f"Result shape/type incorrect: {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

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: Løse lineære ligningssystemer

Løsning