Scipy Simpson

Wśród modeli numerycznych, które są używane do obliczania całki, obejmuje zasadę „Simpsona”. Zazwyczaj stosujemy twierdzenie fundamentu logicznego, aby uzyskać współczynnik skali, który wymaga od nas stosowania metodologii integracji antyderitycznej. Możemy uzyskać integrację funkcji f (q) przy użyciu wartości wzdłuż kierunku i zsyntetyzować regułę Simpsona za pomocą Scipy.zintegrować.funkcja simps (). Zasadniczo jest to moduł Python Scientific Workflow, który oferuje wbudowane narzędzia do wielu działań arytmetycznych. SCIPY Integrate Inter oferuje kilka metod integracji, choć zintegrowane dla wspólnych równań różniczkowych.

Procedura:

Metoda wdrożenia funkcji „Scipy Simpson” zostanie omówiona i pokazana w tym artykule. Musimy zastosować dziwny zakres jednostek siatki, jednocześnie mając równomierne połączenie przęseł. Połowa porządków należy pomnożyć przez zestaw parametrów zwanych „mnożnikami Simpsona”, aby zaspokoić formułę „pierwszej zasady Simpsona”, biorąc pod uwagę przykłady w dowolnym miejscu wzdłuż określonej osi i złożonej zasady Simpsona w celu zintegrowania „F (q)”. Odstęp „DQ” jest oczekiwany, jeśli „Q” nie jest żadnym. Ponieważ regulacja Simpsona wymaga parzystej liczby interwałów i musi istnieć liczba całkowita próbek „N”, istnieje dziwna liczba wstępów „(N-1)”. Sposób zarządzania jest kontrolowany przez argument „nawet”. Jeśli próbki nie są równomiernie rozmieszczone, funkcja musi być wielomianem o rzędu „2” lub mniej niż „2”, aby wynik był dokładny.

Składnia:

$ scipy.zintegrować.Simps (R, Q)

Wspominaliśmy o składni funkcji Scipy Simpsona w języku Pythona. Ta funkcja ma dwa parametry funkcji „integruj” i rozważa dwie zmienne do przechowywania lub przekazywania wartości w ciągu jako „r” i „q” w funkcji SIP Python.

Wartość zwracana:

Zastosowanie próbek dałoby zintegrowaną wartość Q (r) na ekranie wyjściowym, ustalając integrację zarówno zmiennych i przechowując w niej wartości numeryczne. Wynik lub wartością zwracającą jest zintegrowana wartość funkcji tych zmiennych Simpsona.

Przykład 1:

Teraz znamy składnię i zjawisko pracy z funkcją Scipy Simpson. Zacznijmy wdrażać go w kodzie Python w różnych scenariuszach. Zaczynamy od najpierw narzędzia. Instalujemy narzędzie „Spyder”. Po instalacji zaczynamy pisać nasz kod w pliku konsoli. Przede wszystkim potrzebujemy biblioteki „Numpy” w pliku źródłowym Python, więc najpierw importujemy tę bibliotekę jako „NP”. Następnie importujemy kolejną bibliotekę „integrujemy się” ze źródła „Scipy”. Dodajemy kilka komentarzy, aby zrozumieć, co zrobiliśmy na każdym kroku.

Po zaimportowaniu bibliotek „Integrate” i „Numpy”, potrzebujemy zmiennych do utrzymania wartości numerycznej, aby pokazać zintegrowane zjawisko. W tym celu tworzymy dwie zmienne „S” i „C”, w których zmienna „S” jest przypisywana „NP” jako zaaranżowana wartość zakresu „2” do „12”. Podczas gdy zmienna „C” podobnie ma rozszerzenie Numpy „NP” wraz z wartością aranżacji odpowiedniego zakresu od „2” do „12”, podobna do wartości przypisanej zmiennej „S”.

Następnie używamy teraz naszej głównej funkcji „Integrate.simps () ”na zmiennych„ c ”i„ s ”i przypisz ten wynik do nowej zdefiniowanej przez użytkownika funkcji nazwy„ scipy_simpson ”. Tutaj, na tym etapie, wynik jest przechowywany, a wartości powinny być zintegrowane i przechowywane w funkcji „scipy_simpson”. W końcu, aby wyświetlić wynik, używamy funkcji „print ()” i wywołujemy wartość funkcji przechowywaną w „Scipy_simpson”.

#Importing Numpy Library
importować Numpy jako NP
#Importing Integrate of Scipy
z Scipy Import Integrate
#Deklarowanie i przypisanie zakresu do zmiennych
S = NP.Arange (2, 12)
C = NP.Arange (2, 12)
#utliza integrację.moduł simps ()
Scipy_simpson = Integrate.Simps (C, S)
#Printing funkcji scipy_simpson
Drukuj (scipy_simpson)

Wyjście naszego kodu programu dla zastosowanej metody Scipy Simpson, wyświetla zintegrowaną wartość obu zmiennych „S”, jak i „C” jako końcowy wynik wartości zwracania jako „58.5 ”. Ta wartość różni się inaczej dla różnych przechowywanych wartości numerycznych zmiennych w zależności od ich zakresów.

Przykład 2:

Zbadajmy, w jaki sposób możemy wykorzystać tę samą metodę Scipy Simpson do użycia tylko jednej wartości numerycznej, stosując funkcję „sqrt ()” na używanej zmiennej dostarczonej. Wykonajmy implementację kodu na naszym narzędziu, w którym importujemy dwie pierwsze biblioteki „Numpy” jako „NP” i „Integrujemy” z Scipy, jak użyliśmy w poprzednim przykładzie.

Teraz deklarujemy dwie zmienne „q” i „r”, w których zmienna „q” jest przypisaną funkcją „aranżuj ()” o wartości zakresu „3” i „15”, a zmienna „r” używa „ sqrt () ”funkcja wartości zmiennej„ q ”i przechowuj ją w zmiennej„ r ”. Po przypisaniu wartości do obu zmiennych, przychodzimy „Integrate.Funkcja simps () ”. Stosujemy go do naszych zmiennych „R” i „Q”, definiując nową funkcję „scipy_simp” i przechowuj ją w tej funkcji. Następnie używamy funkcji „print ()” na ostatnim kroku i wywołujemy funkcję „scipy_simp” w funkcji „print ()”. Następnie wyświetla zintegrowaną relację z ostateczną wartością zwracania.

#Importing Numpy and Integrate Library OS Scipy
importować Numpy jako NP
z Scipy Import Integrate
#Zmienne określające
Q = NP.Arange (3, 15)
r = np.sqrt (q)
# Wykorzystanie Scipy.zintegrować.Metoda Simps ()
Scipy_simp = integruj.Simps (R, Q)
#Funkcja SCIPY_SIMP
druk (scipy_simp)

Po wypełnieniu kodu po skompilowaniu poprzedniego kodu wyświetla wynik zintegrowanego zwrotu wartości na ekranie wyjściowym, który wynosi prawie „31.46 ”lub obie zmienne„ Q ”i„ R ”.

Wniosek

Opis i implementacja tematu metody Scipy Simpson jest omówiona w tym artykule. W naszym artykule zilustrowano dwa przykłady metody Scipsa Simpsonsa, aby znaleźć związek zintegrowanej wartości między dwiema zmiennymi, które są zdefiniowane w programie. Pierwszy obejmuje wartość od minimalnej do „2”, podczas gdy drugi zakres do minimalnej „3”. W pierwszym przykładzie oba wartości relacji zostały zdefiniowane osobno. Ale w drugim przykładzie zdefiniowaliśmy pierwszą wartość, a druga wartość jest wyprowadzana przez funkcję „SQRT” dla drugiej wartości zmiennej.