I praktiska vetenskapliga och tekniska sammanhang behöver du ofta lösa system av linjära ekvationer för att analysera verkliga problem. Ett sådant scenario är analys av elektriska kretsar, där sambanden mellan spänningar och strömmar i en krets kan beskrivas med linjära ekvationer härledda från Kirchhoffs lagar. SciPy:s `scipy.linalg.solve`-funktion erbjuder ett robust och effektivt sätt att hitta lösningar till dessa system, vilket gör det möjligt att arbeta med verkliga data och komplexa 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

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: Lösning av Linjära System

Lösning