Du har utforskat olika interpolationsmetoder i SciPy och sett hur de kan användas för att uppskatta värden mellan kända datapunkter. I verkliga experiment samlas data ofta in vid oregelbundna intervall, men analys eller rapportering kan kräva värden vid regelbundna intervall. **Interpolation** erbjuder en praktisk lösning för att uppskatta dessa saknade värden. I denna utmaning kommer du att använda `scipy.interpolate.interp1d` för att uppskatta temperaturvärden vid regelbundna tidsintervall från en uppsättning oregelbundet fördelade mätningar.


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

En omfattande kurs utformad för studenter med starka matematiska kunskaper och medelgoda till avancerade Python-färdigheter, med fokus på att använda SciPy för vetenskapliga beräkningar, optimering, integration och avancerade matematiska operationer.

Utforska strukturen, kärnmodulerna och de grundläggande funktionerna i SciPy för vetenskapliga beräkningar.

Fördjupa dig i SciPys kraftfulla linjäralgebrafunktioner för att lösa verkliga matematiska problem.

Behärska optimeringstekniker och rotfinningsalgoritmer med hjälp av SciPy för vetenskapliga och tekniska problem.

Utforska avancerade matematiska operationer inklusive integration, interpolation och grundläggande signalbehandling med SciPy.

Challenge: Interpolering av Experimentella Data

Lösning