När du fortsätter din resa med **SciPy** är det viktigt att utveckla förmågan att identifiera vilka undermoduler som är bäst lämpade för olika vetenskapliga programmeringsuppgifter. **SciPy** är organiserat i specialiserade undermoduler, där varje modul fokuserar på ett särskilt område såsom optimering, integration, linjär algebra och mer. Genom att öva på att importera dessa undermoduler på rätt sätt lägger du grunden för effektiv och korrekt vetenskaplig beräkning.


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

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.

Utmaning: Utforska SciPy:s Undermoduler

Lösning