Підбір моделей до експериментальних даних є фундаментальним завданням у наукових обчисленнях, що дозволяє виділяти значущі тенденції з шумових вимірювань. У попередніх розділах ви ознайомилися з методами оптимізації та знаходження коренів, а також дізналися про апроксимацію кривих і метод найменших квадратів. Тепер ви застосуєте ці концепції на практиці, використовуючи `scipy.optimize.curve_fit` для підбору поліноміальної моделі до набору шумових даних. Ця практична задача допоможе закріпити розуміння підбору даних і визначення параметрів моделі.


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

Комплексний курс, розроблений для студентів із ґрунтовними математичними знаннями та середнім або високим рівнем володіння Python, з акцентом на використання SciPy для наукових обчислень, оптимізації, інтегрування та виконання складних математичних операцій.

Ознайомлення зі структурою, основними модулями та ключовими функціями SciPy для наукових обчислень.

Занурення у потужні можливості лінійної алгебри SciPy для розв'язання реальних математичних задач.

Оволодіння методами оптимізації та алгоритмами знаходження коренів за допомогою SciPy для наукових і інженерних задач.

Дослідження розширених математичних операцій, включаючи інтегрування, інтерполяцію та базову обробку сигналів за допомогою SciPy.

Challenge: Data Fitting in Practice

Рішення