import unittest
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.lines import Line2D
from matplotlib.collections import PathCollection
import user_code  # Ð²Ð¸ÐºÐ¾Ð½ÑÑ ÐºÐ¾Ð´ ÐºÐ¾ÑÐ¸ÑÑÑÐ²Ð°ÑÐ°

def _dynamic(tc, ok, ok_msg, fail_msg):
    tc._testMethodName = ok_msg if ok else fail_msg
    (tc.assertTrue if ok else tc.fail)(tc._testMethodName)

A, B, C = -1, 12, -20
XV_EXPECT, MP_EXPECT = 6.0, 16.0
ROOTS_EXPECT = (2.0, 10.0)
DELTA = 1e-6

class TestProfitCompact(unittest.TestCase):

    def test_standard_checks(self):
        reasons = []

        # coefficients present & correct
        a, b, c = getattr(user_code, 'a', None), getattr(user_code, 'b', None), getattr(user_code, 'c', None)
        if (a, b, c) != (A, B, C):
            reasons.append(f"coeffsâ (-1,12,-20), got {(a,b,c)}")

        # x,y arrays correct
        x = getattr(user_code, 'x', None)
        y = getattr(user_code, 'y', None)
        if not (isinstance(x, np.ndarray) and x.size == 100 and abs(x.min())<1e-9 and abs(x.max()-12.0)<1e-9):
            reasons.append("x must be linspace(0,12,100)")
        if not (isinstance(y, np.ndarray) and isinstance(x, np.ndarray) and np.allclose(y, A*x**2 + B*x + C, atol=1e-8)):
            reasons.append("y must equal a*x**2 + b*x + c")

        # plot elements present
        ax = plt.gca()
        lines = {ln.get_label(): ln for ln in ax.get_lines() if isinstance(ln, Line2D)}
        if "Profit Function" not in lines:
            reasons.append("missing line 'Profit Function'")
        if not (ax.get_xlabel()=="Units Sold" and ax.get_ylabel()=="Profit ($1000)" and ax.get_title()=="Profit Maximization Analysis"):
            reasons.append("labels/title incorrect")

        _dynamic(self, len(reasons)==0, "PASS: standard checks", "FAIL: " + "; ".join(reasons))

    def test_optimal_units_vertex(self):
        reasons = []
        xv = getattr(user_code, 'x_vertex', None)
        mp = getattr(user_code, 'max_profit', None)
        if not (xv is not None and abs(xv - XV_EXPECT) < DELTA):
            reasons.append(f"x_vertex {xv} â  {XV_EXPECT}")
        if not (mp is not None and abs(mp - MP_EXPECT) < DELTA):
            reasons.append(f"max_profit {mp} â  {MP_EXPECT}")

        # optional: vertex marker at correct point if plotted
        ax = plt.gca()
        scatters = {c.get_label(): c for c in ax.collections if isinstance(c, PathCollection)}
        sc_v = scatters.get("Max Profit")
        if sc_v is not None:
            ok = sc_v.get_offsets().shape[0] >= 1 and np.allclose(sc_v.get_offsets()[0], [xv, mp], atol=DELTA)
            if not ok:
                reasons.append("vertex marker not at (x_vertex, max_profit)")

        _dynamic(self, len(reasons)==0, "PASS: optimal units (vertex) correct",
                 "FAIL: " + "; ".join(reasons))

    def test_breakeven_points(self):
        reasons = []

        disc = getattr(user_code, 'discriminant', None)
        if not (disc is not None and abs(disc - 64.0) < DELTA):
            reasons.append(f"discriminant {disc} â  64")

        x1 = getattr(user_code, 'x1', None)
        x2 = getattr(user_code, 'x2', None)
        roots_user = tuple(sorted([x1, x2])) if (x1 is not None and x2 is not None) else None
        if not (roots_user and np.allclose(roots_user, sorted(ROOTS_EXPECT), atol=DELTA)):
            reasons.append(f"roots {roots_user} â  {sorted(ROOTS_EXPECT)}")

        be = getattr(user_code, 'breakeven_points', None)
        if not (isinstance(be, tuple) and len(be)==2 and np.allclose(sorted(be), sorted(ROOTS_EXPECT), atol=DELTA)):
            reasons.append(f"breakeven_points {be} â  {ROOTS_EXPECT}")

        # optional: markers at y=0 for both roots
        ax = plt.gca()
        scatters = {c.get_label(): c for c in ax.collections if isinstance(c, PathCollection)}
        sc_be = scatters.get("Breakeven Points")
        if sc_be is not None:
            offs = np.array(sc_be.get_offsets())
            ok = offs.shape[0] >= 2 and np.allclose(np.sort(offs[:,0]), sorted(ROOTS_EXPECT), atol=DELTA) and np.allclose(offs[:,1], 0.0, atol=1e-9)
            if not ok:
                reasons.append("breakeven markers not at y=0 and x=2,10")

        _dynamic(self, len(reasons)==0, "PASS: breakeven points correct",
                 "FAIL: " + "; ".join(reasons))


test_code.py

Behärska de matematiska grunderna som är avgörande för datavetenskap. Utforska centrala begrepp inom funktioner, analys, linjär algebra, sannolikhet och dimensionsreduktion. Bygg både teoretisk förståelse och praktisk kodningsvana för att stärka din förmåga att analysera data, modellera komplexa system och tillämpa avancerade tekniker inom maskininlärning.

Utforska grunderna för matematiska funktioner. Lär dig olika typer av algebraiska och transcendenta funktioner, deras egenskaper och hur de implementeras i Python för att lösa verkliga problem.

Behärska begreppen mängder och serier, från grundläggande operationer till praktiska tillämpningar. Få praktisk erfarenhet av att implementera mängdoperationer och arbeta med aritmetiska och geometriska serier i Python.

Utveckla en gedigen förståelse för gränsvärden, derivator, integraler och partiella derivator. Koppla teori till praktik genom att implementera dessa koncept i Python och tillämpa dem på optimering med hjälp av gradientnedstigning.

Bygg gedigna kunskaper om vektorer, matriser och transformationer. Lär dig dekompositionsmetoder och egenvärdesanalys, samtidigt som begreppen förstärks med Python-programmeringsutmaningar och praktiska tillämpningar inom data science.

Fördjupa dig i sannolikhetsteori och statistik. Studera betingad sannolikhet, Bayes sats och statistiska mått. Implementera centrala koncept i Python, simulera fördelningar och stärk dina färdigheter genom utmaningar och frågesporter.

Utmaning: Maximera Vinst med Hjälp av Andragradsekvationer

Lösning

Awesome!

Utmaning: Maximera Vinst med Hjälp av Andragradsekvationer

Lösning