Att anpassa modeller till experimentella data är en grundläggande uppgift inom vetenskaplig databehandling, vilket gör det möjligt att identifiera meningsfulla trender i brusiga mätningar. I tidigare kapitel har du utforskat optimerings- och rotfinningsmetoder samt lärt dig om kurvanpassning och minsta kvadrat-metoder. Nu kommer du att tillämpa dessa koncept i praktiken genom att använda `scipy.optimize.curve_fit` för att anpassa en polynommodell till en uppsättning brusiga datapunkter. Denna praktiska utmaning hjälper dig att fördjupa din förståelse för dataanpassning och extraktion av modellparametrar.


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

class TestTask(unittest.TestCase):
    def test_coefficients_tuple_length_and_type(self):
        import user_code
        importlib.reload(user_code)
        coeffs = getattr(user_code, 'coefficients', None)
        _dynamic_test(
            self,
            isinstance(coeffs, tuple) and len(coeffs) == 3 and all(isinstance(x, (int, float, np.floating, np.integer)) for x in coeffs),
            "Returned coefficients are a tuple of three numeric values.",
            f"Expected a tuple of three numbers, got: {coeffs}",
        )

    def test_coefficients_approximate_true_values(self):
        import user_code
        importlib.reload(user_code)
        coeffs = getattr(user_code, 'coefficients', None)
        expected = [2.5, -1.3, 0.5]
        tolerance = [0.4, 0.6, 0.7]
        _dynamic_test(
            self,
            coeffs is not None and all(abs(c - e) < t for c, e, t in zip(coeffs, expected, tolerance)),
            "Fitted coefficients are within acceptable tolerance of true values.",
            f"Fitted coefficients {coeffs} are not close to true values {expected}",
        )

    def test_function_works_for_different_data(self):
        import user_code
        import importlib
        import numpy as np
        importlib.reload(user_code)
        fit_func = getattr(user_code, 'fit_noisy_data', None)
        _dynamic_test(
            self,
            callable(fit_func),
            "fit_noisy_data function exists and is callable.",
            "fit_noisy_data function is not defined.",
        )
        np.random.seed(42)
        x = np.linspace(-3, 3, 20)
        y = 1.8 * x**2 + 0.7 * x - 2.2 + np.random.normal(scale=2.0, size=x.shape)
        coeffs = fit_func(x, y)
        expected = [1.8, 0.7, -2.2]
        tolerance = [0.15, 0.7, 0.7]  # Adjusted tolerance for b and c due to noise
        _dynamic_test(
            self,
            isinstance(coeffs, tuple) and len(coeffs) == 3 and all(abs(c - e) < t for c, e, t in zip(coeffs, expected, tolerance)),
            "fit_noisy_data works correctly for new data arrays.",
            f"Returned coefficients {coeffs} are not close to expected {expected} for new data.",
        )

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: Dataanpassning i Praktiken

Lösning