How to use initialize_a method in hypothesis

Best Python code snippet using hypothesis

Exercise4.py

Source:Exercise4.py Github

copy

Full Screen

1n = 152q = 0.15345def initialize_a():6 a = [[0] * n for i in range(n)]7 a[0][1] = a[0][8] = a[1][2] = a[1][4] = a[1][6] = a[2][1] = a[2][5] = a[2][7] = a[3][2] = a[3][11] = 18 a[4][0] = a[4][9] = a[5][9] = a[5][10] = a[6][9] = a[6][10] = a[7][3] = a[7][10] = a[8][4] = a[8][5] = 19 a[8][9] = a[9][12] = a[10][14] = a[11][6] = a[11][7] = a[11][10] = a[12][8] = a[12][13] = a[13][9] = 110 a[13][10] = a[13][12] = a[13][14] = a[14][11] = a[14][13] = 111 return a121314def print_array(p):15 print(" p= [", end="")16 n = len(p)17 for i in range(n-1):18 print("%.5f" % round(p[i], 5), end=", ")19 print("%.5f" % round(p[-1], 5), end="]\n\n")202122def athrisma_i_grammhs(a, i):23 athrisma = 024 n = len(a)25 for j in range(n):26 athrisma += a[i][j]27 return athrisma282930def methodos_dynamewn(G):31 b0 = [G[i][0] for i in range(len(G))]32 b1 = [0]*len(G)33 for k in range(2*len(G)):34 for i in range(len(G)):35 b1[i] = 036 for j in range(len(G)):37 b1[i] += b0[j] * G[i][j]38 if k < 2*len(G)-1:39 temp = b1[0]40 else:41 temp = sum(b1)42 for j in range(len(G)):43 b1[j] /= temp44 b0[j] = b1[j]45 return b1464748def create_g(A):49 n = len(A)50 G = [[0.0] * n for i in range(n)]51 for j in range(n):52 for i in range(n):53 G[i][j] = q / n + A[j][i] * (1 - q) / athrisma_i_grammhs(A, j)54 return G555657a = initialize_a()58g = create_g(a) # Δημιουργεί τον πίνακα Google596061print("1.Το άθροισμα κάθε στήλης του πίνακα G(oogle) : ")62for j in range(n):63 temp = sum(g[i][j] for i in range(n)) # επιστρέφει το άθροισμα της στήλης j και το τυπώνει αποδεικνύοντας64 print(" Άθροισμα στήλης", j+1, "=", temp) # έτσι ότι ο G είναι στοχαστικός και ειδικότερα65 # είναι αριστερά στοχαστικός666768print("2.Το κανονικοποιημένο ιδιοδιάνυσμα της μέγιστης ιδιοτιμής: ", end="\n\n")69p = methodos_dynamewn(g) # κάνω τήν μέθοδο της δυνάμεως και επιστρέφω το ιδιοδιάνυσμα70print_array(p) # τυπώνω το ιδιοδιάνυσμα717273print("3.Αλλαγή πίνακα Α για βελτίωση της 1ης σελίδας με νέo ιδιοδιάνυσμα: ", end="\n\n")74a[0][7] = 0 # Αφαιρώ 1 σύνδεση75a[9][0] = 1 # Προσθέτω 4 συνδέσεις76a[10][0] = 177a[12][0] = 1 # προσθαφαιρέσεις για να βελτιώσω τον βαθμό σημαντικότητας της 1ης ιστοσελίδας78a[14][0] = 179g = create_g(a) # Δημιουργώ τον νέο πίνακα Google80p = methodos_dynamewn(g) # κάνω τήν μέθοδο της δυνάμεως και επιστρέφω το ιδιοδιάνυσμα για τον νέο πίνακα81print_array(p) # τυπώνω το νέο ιδιοδιάνυσμα828384print("4.Αλλαγή της πιθανότητας μεταπήδηδης: ", end="\n\n")85print(" (a) Για q = 0.02: ")86q = 0.0287g = create_g(a) # δημιουργεί τον πίνακα Google για τήν νέα πιθανότητα μεταπήδησης88p = methodos_dynamewn(g) # κάνει τήν μέθοδο της δυνάμεως για τον νέο πίνακα Google89print_array(p) # τυπώνει το νέο ιδιοδιάνυσμα9091print(" (a) Για q = 0.6: ")92q = 0.693g = create_g(a) # παρόμοια με πάνω94p = methodos_dynamewn(g)95print_array(p)96# Ο σκοπός της πιθανότητας μεταπήδησης είναι για να δείξει πόσο εύκολα μπορώ να μεταβώ απο μία σελίδα σε μία97# άλλη. Όσο πιο μεγάλη είναι η πιθανότητα αυτή τόσο μικραίνουν οι διαφορές σημαντικότητας των ιστοσελίδων98# και όσο μικραίνει τόσο αυξάνονται οι διαφορές στην τάξη των σελίδων.99100101print("5.Αλλαγή της σύνδεσης της ιστοσελίδας 11 με καλύτερο τρόπο: ")102q = 0.15103a = initialize_a() # αρχικός πίνακας104print(" Απλή σύνδεση:")105g = create_g(a)106p = methodos_dynamewn(g) # κάνω τήν μέθοδο της δυνάμεως και επιστρέφω το ιδιοδιάνυσμα107print_array(p)108print(" Καλύτερη σύνδεση:")109a[8][11] = 3110a[12][11] = 3111g = create_g(a)112p = methodos_dynamewn(g) # κάνω τήν μέθοδο της δυνάμεως και επιστρέφω το ιδιοδιάνυσμα113print_array(p)114# Όπως παρατηρούμε δουλεύει δλδ αυξάνει τήν σημαντικότητα της 11 και μειώνει της 10115# Αυξάνει όμως και τήν σημαντικότητας της 12 & 14 & 8116117118print("6.Διαγραφή της σελίδας 10 απο το γράφημα: ")119print(" Πριν την διαγραφή της ιστοσελίδας 10:")120a = initialize_a()121g = create_g(a)122p = methodos_dynamewn(g)123print_array(p)124125print(" Μετά την διαγραφή της ιστοσελίδας 10:")126a = [[0] * 14 for i in range(14)]127a[0][1] = a[0][8] = a[1][2] = a[1][4] = a[1][6] = a[2][1] = a[2][5] = a[2][7] = a[3][2] = a[3][10] = 1128a[4][0] = a[4][9] = a[5][9] = a[6][9] = a[7][3] = a[8][4] = a[8][5] = 1129a[8][9] = a[9][11] = a[10][6] = a[10][7] = a[11][8] = a[11][12] = a[12][9] = 1130a[12][11] = a[12][13] = a[13][10] = a[13][12] = 1131g = create_g(a)132p = methodos_dynamewn(g)133print_array(p)134 ...

Full Screen

Full Screen

test_clusterInitializers.py

Source:test_clusterInitializers.py Github

copy

Full Screen

1import unittest2import numpy as np3import os4import sys56from .context import cluster_initializers78# from bmdcluster.initializers.cluster_initializers import initialize_A9# from bmdcluster.initializers.cluster_initializers import initialize_B101112class Testinitialize_A(unittest.TestCase):1314 def setUp(self):15 self.n = 41617 def test_initialize_A_assertions(self):1819 with self.subTest('Check data_cluster size assertion'):20 # Check that assertion error raised when the number of data clusters is greater21 # than or equal to the size of the dataset.22 with self.assertRaises(AssertionError):23 cluster_initializers.initialize_A(n = self.n, n_clusters = self.n)24 25 with self.subTest('Check init_ratio assertions'):2627 # Check that assertion error is raised when the init_ratio is outside of28 # the interval (0,1].2930 with self.assertRaises(AssertionError):31 cluster_initializers.initialize_A(n = self.n, n_clusters = self.n - 1, init_ratio = 1.1)3233 with self.assertRaises(AssertionError):34 cluster_initializers.initialize_A(n = self.n, n_clusters = self.n - 1, init_ratio = 0)35363738 def test_initialize_A_outputs(self):3940 with self.subTest('Check sum of entries'):41 # When init_ratio not set, each point should be assigned exactly one cluster.42 # Check sum of elements of cluster assignment matrix A.43 A = cluster_initializers.initialize_A(self.n, self.n-1)44 self.assertEqual(A.sum(), self.n)45464748 with self.subTest('Check init_ratio'):49 # Check that when init_ratio is set, the number of assigned clusters is50 # the expected number.51 A = cluster_initializers.initialize_A(n = self.n, n_clusters = self.n - 1, init_ratio = 0.5)52 self.assertEqual(A.sum(), self.n // 2)53545556 with self.subTest('Check bootstrap list passing'):57 # Test passing of list of tuples containing the positions of entries58 # to be set in the returned matrix.5960 A_expected = np.array([[1,0],61 [0,0],62 [0,1],63 [0,0]])646566 A = cluster_initializers.initialize_A(n = self.n, n_clusters = 2, bootstrap = [(0,0),(2,1)])67 self.assertTrue(np.array_equal(A, A_expected))68697071class TestInitializeB(unittest.TestCase):7273 def setUp(self):74 self.m = 3757677 def test_initializeB_output(self):7879 with self.subTest('Check B_ident'):80 # Check feature cluster matrix B is initialized to identity when B_ident set to True.81 B = cluster_initializers.initialize_B(self.m, B_ident = True)82 self.assertTrue(np.array_equal(np.identity(self.m), B))8384 85 # def test_check_assertions(self):8687 # with self.assertRaises(AssertionError):88 # initialize_B(self.m, B_ident = False, f_clusters = self.m + 1)8990 # with self.assertRaises(AssertionError):91 # initialize_B(self.m, B_ident = False, f_clusters = 1)9293 #@unittest.skip("No longer using keyword arguments in initialize_B")94 def test_initializeB_assertions(self):9596 with self.subTest('Check missing keyword argument'):97 # Check that MissingKeywordArgument raised when B_ident set to False and98 # without additional keyword arguments.99 with self.assertRaises(KeyError):100 cluster_initializers.initialize_B(self.m, B_ident = False)101102 with self.subTest('Check assertions'):103 # Check that when f_clusters is passed, that AssertionError is raised104 # f_clusters is not in the interval (1, m].105106 with self.assertRaises(AssertionError):107 cluster_initializers.initialize_B(self.m, B_ident = False, f_clusters = self.m + 1)108109 with self.assertRaises(AssertionError):110 cluster_initializers.initialize_B(self.m, B_ident = False, f_clusters = 1)111112if __name__ == '__main__': ...

Full Screen

Full Screen

Exercise3.3.py

Source:Exercise3.3.py Github

copy

Full Screen

...25 i += 126 print()272829def initialize_a(n):30 A = [[0] * n for i in range(n)]31 for i in range(n):32 if i + 1 < n:33 A[i+1][i] = -234 A[i][i+1] = -235 A[i][i] = 536 return A373839def initialize_b(n):40 B = [1] * n41 B[0] = 342 B[-1] = 343 return B444546def find(a, b, x):47 norma = a[0][0] * x[0] + a[0][1] * x[1] - b[0]48 n = len(a)4950 for i in range(1, n):51 temp = 052 temp += a[i][i - 1] * x[i - 1] + a[i][i] * x[i]53 if i + 1 < n:54 temp += a[i][i + 1] * x[i + 1]5556 temp -= b[i]57 norma = max(abs(norma), abs(temp))5859 if abs(norma) >= 0.5e-4:60 return True61 else:62 return False636465def sumForCholesky(a, i, x0, xn):66 s = 067 if i - 1 >= 0:68 s += a[i][i-1] * xn[i-1]69 if i + 1 < len(a):70 s += a[i][i+1] * x0[i+1]71 return s727374def gauss_seidel(a, b):75 x0 = [0] * len(a)76 xn = [0] * len(a)77 flag = True78 counter = 07980 while flag:81 for i in range(0, len(a)):82 athrisma = sumForCholesky(a, i, x0, xn)83 xn[i] = (b[i] - athrisma) / a[i][i]84 counter += 185 flag = find(a, b, xn)86 for i in range(0, len(a)):87 x0[i] = xn[i]8889 print("Χρειάστηκαν", counter, "Επαναλήψεις ")90 return x0919293a10 = initialize_a(10) # Αρχικοποιεί τον πίνακα Α10 (10x10) στοιχεία94b10 = initialize_b(10) # Αρχικοποιεί τον πίνακα Β10 (10) στοιχεία95a10000 = initialize_a(10000) # Αρχικοποιεί τον πίνακα Α10000 (10000x10000)96b10000 = initialize_b(10000)9798print("Για n=10 : ")99# printAB(a10, b10) # Τυπώνει τον επαυξημένο πίνακα100x10 = gauss_seidel(a10, b10) # Κάνει Gauss_Seidel και επιστρέφει έναν πίνακα με τις ρίζες101# Η συνάρτηση Gauss_Seidel πριν ολοκληρωθεί τυπώνει τον αριθμό των επαναλήψεων που χρειάστηκαν102print_result(x10) # τυπώνει τον πίνακα με τις ρίζες103104print("Για n=10000 : ")105gauss_seidel(a10000, b10000) # Παρόμοια με επάνω106# εδώ δεν τυπώνουμε τον πίνακα καθώς είναι πολύ μεγάλος107108print()109print("End of program", end="")

Full Screen

Full Screen

Automation Testing Tutorials

Learn to execute automation testing from scratch with LambdaTest Learning Hub. Right from setting up the prerequisites to run your first automation test, to following best practices and diving deeper into advanced test scenarios. LambdaTest Learning Hubs compile a list of step-by-step guides to help you be proficient with different test automation frameworks i.e. Selenium, Cypress, TestNG etc.

LambdaTest Learning Hubs:

YouTube

You could also refer to video tutorials over LambdaTest YouTube channel to get step by step demonstration from industry experts.

Run hypothesis automation tests on LambdaTest cloud grid

Perform automation testing on 3000+ real desktop and mobile devices online.

Try LambdaTest Now !!

Get 100 minutes of automation test minutes FREE!!

Next-Gen App & Browser Testing Cloud

Was this article helpful?

Helpful

NotHelpful