Lab9

Terningkast

I filen, dice_throw.py skal du skrive to funksjoner:

1. Skriv en funksjon throw_n_2(n) som har som parameter et heltall n og simulerer \(n\) kast av to terninger (bruk modulen random fra python sitt standardbibliotek) og legger til summen av de to i en liste. Returner den listen (som nå inneholder \(n\) elementer med tall mellom 2 og 12).

2. Skriv så en funksjon print_histo(throws) som tar inn en slik liste throws og printer ut et enkelt histogram hvor ‘*’ står for 1% (runde av til nærmeste heltall når prosentandelen av et utfall er et blandet tall). Bruk collections.Counter fra modulen collections i funksjonen. Et kall til print_histo(throw_n_2(100)) skal for eksempel se noenlunde slik ut (Pass på formateringen av tallene og mellomrom; bruk tab, “\t”, mellom tallene og stjernene):

2 	***
3 	****
4 	******
5 	*****
6 	***************
7 	**********************
8 	********************
9 	*************
10 	********
11 	**
12 	**

Ikke bruk random.seed() i denne oppgaven slik at autotestene kan fungere rett.

Fredag 13.

I filen friday_13th.py skriv en funksjon first_friday_13th_after(date) som har som parameter et datetime -objekt. Funksjonenen returnerer et nytt datetime-objekt, som befinner seg på første fredag den 13. etter den gitte datoen. Dersom input-datoen selv er på en fredag den 13., er det neste datoen som skal returneres.

Denne oppgaven skal løses ved hjelp av datetime -modulen fra python sitt standardbibliotek.

Test koden din ved å legge til disse linjene nederst i filen:

print("Tester first_friday_13th_after... ", end="")
# Test 1
result = first_friday_13th_after(datetime(2022, 10, 24))
assert((2023, 1, 13) == (result.year, result.month, result.day))
# Test 2
result = first_friday_13th_after(datetime(2023, 1, 13))
assert((2023, 10, 13) == (result.year, result.month, result.day))
# Test 3
result = first_friday_13th_after(datetime(1950, 1, 1))
assert((1950, 1, 13) == (result.year, result.month, result.day))
print("OK")

Egen modul

Til denne oppgaven oppfordrer vi deg til å løse den uten å bruke en python-interpreter. Her skal du løse oppgaven for hånd i for eksempel en teksteditor som notepad der du ikke kan kjøre programmet ditt. Hensikten med dette er å forberede deg til eksamen hvor du ikke vil kunne kjøre koden din.

Denne oppgaven vil ikke bli rettet på CodeGrade, men vil i stedet bli rettet med skriftlige refleksjoner sånn som i lab 5.

Del A

I denne oppgaven skal vi lage vår egen modul data_normalization i filen data_normalization.py, samt et eksempel-program i filen data_normalization_example.py. La innholdet i filen data_normalization_example.py være nøyaktig:

import data_normalization

data = [1, 2, 3, 4, 5, 6, 7, 8, 9]


# Normalizing the data to [0, 1] range
a = data_normalization.norm_0_1(data)

# Normalizing the data to [-1, 1] range
b = data_normalization.norm_neg1_1(data)

assert a == [0.0, 0.125, 0.25, 0.375, 0.5, 0.625, 0.75, 0.875, 1.0]

assert b == [-1.0, -0.75, -0.5, -0.25, 0.0, 0.25, 0.5, 0.75, 1.0]

Funksjonen norm_0_1(x) normaliserer verdiene i listen x til å ligge i området mellom 0 og 1. Funksjonen først finner minimums- og maksimumsverdien i listen, og deretter normaliserer den hvert element i listen til å være i området mellom 0 og 1. Dette gjøres ved å trekke fra minimumsverdien, og deretter dividere med differansen mellom maksimums- og minimumsverdien.

$$ {x_i - \min(x) \over \max(x) - \min(x)} $$

Funksjonen norm_neg1_1(x) normaliserer verdiene i listen x til å ligge i området mellom -1 og 1. Funksjonen finner også minimums- og maksimumsverdien i listen, men deretter normaliserer den hvert element i listen til å være i området mellom -1 og 1. Dette gjøres ved å trekke fra minimumsverdien, multiplisere med 2 og deretter dividere med differansen mellom maksimums- og minimumsverdien. Til slutt trekkes det fra 1, slik at verdiene ligger i området mellom -1 og 1.

$$ {2(x_i - \min(x)) \over \max(x) - \min(x)} - 1$$

Oppgaven går ut på å skrive modulen data_normalization slik at funksjonskallene over fungerer.

Del B

I tillegg til at modulen skal kunne importeres uten at det blir noen utskrift til skjermen, skal det også være mulig å kjøre data_normalization.py direkte for å få en interaktiv modus hvor brukeren kan skrive inn tallene selv. Her kan vi bruke __name__.

En eksempelkjøring av data_normalization (fet/grønn tekst skrevet av brukeren):

Normaliser data.
Oppgi data du vil normalisere, separert av mellomrom:
1 2 3 4 5 6 7 8 9

norm_0_1: [0.0, 0.125, 0.25, 0.375, 0.5, 0.625, 0.75, 0.875, 1.0]
norm_neg1_1: [-1.0, -0.75, -0.5, -0.25, 0.0, 0.25, 0.5, 0.75, 1.0]

Ytterligere krav:

• Alle funksjonene skal ha en liste med flyttall som parameter (lister med int er også OK, siden int er en undertype av float).
• Alle funksjonene skal være ikke-destruktive.
• Alle tall skal behandles som flyttall, og returverdien skal alltid være et liste med flyttall.