curva_min e max de novo

Author: viniciusdutra314

LabIFSC2/__init__.py

@@ -7,7 +7,8 @@
 
 MCSamples=100_000
 
-from ._arrays import arrayM, incertezas, linspaceM, nominais
+from ._arrays import (arrayM, curva_max, curva_min, incertezas, linspaceM,
+                      nominais)
 from ._medida import (Comparacao, Medida, alterar_monte_carlo_samples,
                       comparar_medidas)
 from ._regressões import (regressao_exponencial, regressao_linear,

LabIFSC2/_arrays.py

@@ -5,6 +5,7 @@
 import numpy as np
 
 from ._medida import Medida
+from ._regressões import Regressao
 from ._tipagem_forte import obrigar_tipos
 
 
@@ -55,6 +56,64 @@ def incertezas(arrayMedidas : np.ndarray,unidade:str) -> np.ndarray:
     else:
         return np.array([medida._incerteza.to(unidade).magnitude for medida in arrayMedidas],dtype=float)
 
+@obrigar_tipos
+def _curva_min_max(arrayMedidas : np.ndarray| Regressao,op:str,unidade_y:str,sigmas:float | int) -> np.ndarray:
+    if isinstance(arrayMedidas,np.ndarray):
+        if not (isinstance(arrayMedidas[0],Medida)):
+            raise TypeError('Os valores do array não são Medidas')
+        elif op=='min':
+            minima:np.ndarray=nominais(arrayMedidas,unidade_y)-sigmas*incertezas(arrayMedidas,unidade_y)
+            return minima
+        elif op=='max':
+            maxima:np.ndarray=nominais(arrayMedidas,unidade_y)+sigmas*incertezas(arrayMedidas,unidade_y)
+            return maxima
+    else:
+        if arrayMedidas._amostragem_pre_calculada is None:
+            raise ValueError('A regressão não amostrada ainda')
+        elif op=='min':
+            resultado_min:np.ndarray=nominais(arrayMedidas._amostragem_pre_calculada,unidade_y)-sigmas*incertezas(arrayMedidas._amostragem_pre_calculada,unidade_y)
+            return resultado_min
+        elif op=='max':
+            resultado_max:np.ndarray=nominais(arrayMedidas._amostragem_pre_calculada,unidade_y)+sigmas*incertezas(arrayMedidas._amostragem_pre_calculada,unidade_y)
+            return resultado_max
+    return np.array([])
+
+@obrigar_tipos
+def curva_min(arrayMedidas:np.ndarray | Regressao,unidade_y:str,sigmas:float | int=2) -> np.ndarray:
+    """
+    Calcula a curva mínima de uma série de medidas.
+    
+    Args:
+        arrayMedidas (np.ndarray | Regressao): Array de objetos Medida ou objeto Regressao.
+        unidade_y (str): Unidade da variável dependente.
+        sigmas (float | int): Número de sigmas para a curva mínima.
+    
+    Returns:
+        np.ndarray: Array de valores da curva mínima.
+    
+    Raises:
+        TypeError: Se algum dos valores no array não for um objeto Medida.
+    """
+    resultado:np.ndarray= _curva_min_max(arrayMedidas,'min',unidade_y,sigmas)
+    return resultado
+
+def curva_max(arrayMedidas:np.ndarray | Regressao, unidade_y:str,sigmas:float | int=2) -> np.ndarray:
+    """
+    Calcula a curva máxima de uma série de medidas.
+    
+    Args:
+        arrayMedidas (np.ndarray | Regressao): Array de objetos Medida ou objeto Regressao.
+        unidade_y (str): Unidade da variável dependente.
+        sigmas (float | int): Número de sigmas para a curva máxima.
+    
+    Returns:
+        np.ndarray: Array de valores da curva máxima.
+    
+    Raises:
+        TypeError: Se algum dos valores no array não for um objeto Medida.
+    """
+    resultado:np.ndarray= _curva_min_max(arrayMedidas,'max',unidade_y,sigmas)
+    return resultado
 
 @obrigar_tipos
 def linspaceM(a:Real,b:Real,n : int,unidade:str,incertezas:Real) -> np.ndarray:

LabIFSC2/_regressões.py

@@ -9,7 +9,6 @@
 from numpy import exp, log, power
 from numpy.polynomial import Polynomial
 
-from ._arrays import arrayM, incertezas, nominais
 from ._medida import Medida, ureg
 from ._tipagem_forte import obrigar_tipos
 
@@ -38,24 +37,22 @@ def _aplicar_funcao_sem_passar_pelo_sistema_de_unidades(
 def _forcar_troca_de_unidade(array_medidas:np.ndarray,unidade:str)-> np.ndarray:
     return np.array([Medida(med._nominal.magnitude,unidade,med._incerteza.magnitude,) for med in array_medidas])
 
-class ABCRegressao(ABC):
+class Regressao(ABC):
 
     def __init__(self)->None:
-        self._amostragem_pre_calculada_nominal: np.ndarray = np.array([])
-        self._amostragem_pre_calculada_incerteza: np.ndarray = np.array([])
+        self._amostragem_pre_calculada: np.ndarray = np.array([])
         self._valores: Iterator = iter([])
-        self._sigmas:float=2
 
-    def _retornar(self,y:np.ndarray|Medida,unidade_y:str)->np.ndarray|Medida:
-        if isinstance(y,Medida): y=np.array([y])
-        self._amostragem_pre_calculada_nominal=nominais(y,unidade_y)
-        self._amostragem_pre_calculada_incerteza=incertezas(y,unidade_y)
-        if y.size==1: y=y[0]
-        return self._amostragem_pre_calculada_nominal
+    def _retornar(self,y:np.ndarray,unidade_y:str)->np.ndarray:
+        for y_medida in y:
+            y_medida._histograma=None
+        self._amostragem_pre_calculada=y
+        
+        resultado:np.ndarray=np.array([x.nominal(unidade_y) for x in self._amostragem_pre_calculada],dtype=float)
+        return resultado
 
-    def _verificar_tipo_de_x(self,x:np.ndarray|Medida)->None:
-        if isinstance(x,np.ndarray):
-            if not isinstance(x[0],Medida):
+    def _verificar_tipo_de_x(self,x:np.ndarray)->None:
+        if not isinstance(x[0],Medida):
                 raise TypeError("x precisa ser um array de medidas ou uma medida \
 mesmo que com incerteza 0, pois precisamos das unidades")
         return None
@@ -64,7 +61,7 @@ def _verificar_tipo_de_x(self,x:np.ndarray|Medida)->None:
     def __repr__(self)->str:...
 
     @abstractmethod
-    def amostrar(self, x:np.ndarray|Medida,unidade_y:str) -> np.ndarray|Medida:...
+    def amostrar(self, x:np.ndarray,unidade_y:str) -> np.ndarray:...
 
     def __iter__(self)->Iterator[object]:
         return self._valores
@@ -84,43 +81,9 @@ def mudar_intervalo_de_confianca(self,sigmas:Real)->None:
 
         self._sigmas=float(sigmas)
 
-    @property
-    def curva_min(self)->np.ndarray:
-        """
-        Calcula a curva mínima da regressão.
-        A curva mínima é calculada subtraindo-se o produto dos sigmas pela incerteza da amostragem pré-calculada nominal.
-        
-        Returns:
-            np.ndarray: A curva mínima calculada.
-        
-        Raises:
-            ValueError: Se a amostragem pré-calculada nominal não estiver disponível.
-        """
 
-        if not self._amostragem_pre_calculada_nominal.size:
-            raise ValueError('É necessário amostrar a regressão antes de calcular a curva min')
-        y:np.ndarray=self._amostragem_pre_calculada_nominal-self._sigmas*self._amostragem_pre_calculada_incerteza
-        return y
-    
-    @property
-    def curva_max(self)->np.ndarray:
-        """
-        Calcula a curva máxima da regressão.
-        A curva máxima é calculada somando o produto dos sigmas pela incerteza da amostragem pré-calculada nominal.
-        
-        Returns:
-            np.ndarray: A curva máxima calculada.
-        
-        Raises:
-            ValueError: Se a amostragem pré-calculada nominal não estiver disponível.
-        """
-        if not self._amostragem_pre_calculada_incerteza.size:
-            raise ValueError('É necessaŕio amostrar a regressão antes de calcular a curva min')
-        y:np.ndarray=self._amostragem_pre_calculada_nominal+self._sigmas*self._amostragem_pre_calculada_incerteza
-        return y
 
-
-class MPolinomio(ABCRegressao):
+class MPolinomio(Regressao):
     @obrigar_tipos
     def __init__(self,coeficientes:np.ndarray):
         if not (isinstance(coeficientes[0],Medida)):
@@ -133,22 +96,24 @@ def __init__(self,coeficientes:np.ndarray):
         self.grau=len(coeficientes)-1
 
     @obrigar_tipos
-    def amostrar(self:'MPolinomio', x:np.ndarray | Medida,unidade_y:str) -> np.ndarray | Medida:
+    def amostrar(self:'MPolinomio', x:np.ndarray,unidade_y:str) -> np.ndarray:
         """
-        Gera uma amostra de valores y a partir de um conjunto de valores x utilizando os coeficientes do polinômio.
-        
+        Calcula os valores de um polinômio para um conjunto de entradas x.
         Args:
-            x (np.ndarray | Medida): Conjunto de valores de entrada.
-            unidade_y (str): Unidade de medida para os valores de saída.
-        
+            x (np.ndarray): Um array de valores nos quais o polinômio será avaliado.
+            unidade_y (str): A unidade de medida para os valores calculados do polinômio.
         Returns:
-            np.ndarray | Medida: Valores de saída calculados a partir do polinômio.
+            np.ndarray: Um array contendo os valores calculados do polinômio nas unidades especificadas.
+        Raises:
+            TypeError: Se o tipo de `x` não for np.ndarray.
         """
 
+
         self._verificar_tipo_de_x(x)
-        y=Medida(0,unidade_y,0)
-        for index,coef in enumerate(self._coeficientes):y+=coef*x**(self.grau-index)
-        return self._retornar(y,unidade_y)
+        y:Any=Medida(0,unidade_y,0)
+        for index,coef in enumerate(self._coeficientes):y+=power(x,self.grau-index)*coef
+        polinomio_calculado:np.ndarray=y
+        return self._retornar(polinomio_calculado,unidade_y)
 
     def __iter__(self) -> Iterator[Medida]:
         return iter(self._coeficientes)
@@ -158,7 +123,7 @@ def __repr__(self) -> str:
 
 
 
-class MExponencial(ABCRegressao):
+class MExponencial(Regressao):
     '''Classe para modelar uma função exponencial
     y = a * base^(kx)
     '''
@@ -171,26 +136,26 @@ def __init__(self,a:Medida,k:Medida,base:Real):
         self._valores=iter((a,k,base))
 
     @obrigar_tipos
-    def amostrar(self:'MExponencial', x:np.ndarray|Medida,unidade_y:str)->np.ndarray|Medida:
+    def amostrar(self:'MExponencial', x:np.ndarray,unidade_y:str)->np.ndarray:
         """
-        Gera uma amostra exponencial baseada nos parâmetros fornecidos.
-        
+        Gera uma amostra de valores exponenciais com base nos parâmetros fornecidos.
         Args:
-            x (np.ndarray | Medida): O valor ou array de valores para os quais a amostra será gerada.
-        
+            x (np.ndarray): Um array de valores de entrada.
+            unidade_y (str): A unidade dos valores de saída.
         Returns:
-            np.ndarray | Medida: A amostra gerada, no mesmo formato do parâmetro de entrada `x`.
-
+            np.ndarray: Um array de valores calculados com base na função exponencial.
+        Raises:
+            TypeError: Se o tipo de `x` não for np.ndarray.
         """
 
         self._verificar_tipo_de_x(x)
-        y:np.ndarray|Medida=np.power(float(self.base),(self.expoente*x))*self.cte_multiplicativa
+        y:np.ndarray=np.power(float(self.base),(self.expoente*x))*self.cte_multiplicativa
         return self._retornar(y,unidade_y)
 
     def __repr__(self)->str:
         return f'MExponencial(cte_multiplicativa={self.cte_multiplicativa},expoente={self.expoente},base={self.base})'
 
-class MLeiDePotencia(ABCRegressao):    
+class MLeiDePotencia(Regressao):    
     @obrigar_tipos
     def __init__(self, a: Medida, n: Medida,y_unidade:pint.Quantity):
         super().__init__()
@@ -200,20 +165,19 @@ def __init__(self, a: Medida, n: Medida,y_unidade:pint.Quantity):
         self._y_unidade=y_unidade
 
     @obrigar_tipos
-    def amostrar(self:'MLeiDePotencia', x:np.ndarray|Medida,unidade_y:str) -> np.ndarray|Medida:
+    def amostrar(self:'MLeiDePotencia', x:np.ndarray,unidade_y:str) -> np.ndarray:
         """
-        Amostra valores com base na lei de potência.
-        
+        Amostra valores baseados na lei de potência.
         Args:
-            x (np.ndarray | Medida): Valores de entrada para amostragem.
-            unidade_y (str): Unidade da medida de saída.
-        
+            x (np.ndarray): Array de valores de entrada.
+            unidade_y (str): Unidade da variável dependente y.
         Returns:
-            np.ndarray | Medida: Valores amostrados com a unidade especificada.
+            np.ndarray: Array de valores amostrados com a unidade especificada.
+        Raises:
+            ValueError: Se a unidade de x não for compatível com a unidade esperada.
         """
 
         self._verificar_tipo_de_x(x)
-        if isinstance(x,Medida):x=np.array([x])
         unidade_expoente=str((x[0]._nominal**self.potencia._nominal).units)
         x=_forcar_troca_de_unidade(x,'')    
         expoente=x**self.potencia

tests/test_arrayM.py

@@ -1,7 +1,8 @@
 import numpy as np
 import pytest
 
-from LabIFSC2 import Medida, arrayM, incertezas, linspaceM, nominais
+from LabIFSC2 import (Medida, arrayM, curva_max, curva_min, incertezas,
+                      linspaceM, nominais)
 
 
 def test_nominal():
@@ -27,6 +28,15 @@ def test_incerteza_array():
         incertezas(np.arange(10),'')
 
 
+def test_curvamin():
+    t=np.array([Medida(5,'',0.1),Medida(9,'',2),Medida(11,'',0.5)])
+    curva_min(t,'')
+    assert np.array_equal(curva_min(t,''),np.array([4.8,5,10]))
+    assert np.array_equal(curva_min(t,'',3),np.array([4.7,3,9.5]))  
+def test_curvamax():
+    t=np.array([Medida(5,'',0.1),Medida(9,'',2),Medida(11,'',0.5)])
+    assert np.array_equal(curva_max(t,''),np.array([5.2,13,12]))
+    assert np.array_equal(curva_max(t,'',3),np.array([5.3,15,12.5]))      
 
 
 def test_linspace():

tests/test_classe_para_regressoes.py

@@ -21,9 +21,9 @@ def test_call():
     with pytest.raises(TypeError):
         polinomio(0)
     pontos=lab.linspaceM(0,2,3,'',0)
-    assert np.isclose(polinomio.amostrar(pontos[0],''), 3)
-    assert np.isclose(polinomio.amostrar(pontos[1],''),6)
-    assert np.isclose(polinomio.amostrar(pontos[2],''), 11)
+    assert np.isclose(polinomio.amostrar(np.array([pontos[0]]),''), 3)
+    assert np.isclose(polinomio.amostrar(np.array([pontos[1]]),''),6)
+    assert np.isclose(polinomio.amostrar(np.array([pontos[2]]),''), 11)
 
 
 

tests/test_doc_grafico_fitting.py

@@ -31,8 +31,8 @@ def test_doc_grafico_fitting():
     print(time.time()-tempo)
     tempo=time.time()
     plt.fill_between(x=nominais(x,unidade_x),
-                    y1=fitting.curva_min,
-                    y2=fitting.curva_max,
+                    y1=curva_min(fitting,unidade_y),
+                    y2=curva_max(fitting,unidade_y),
                     color='blue',alpha=0.3)
     print(time.time()-tempo)
     plt.legend()

tests/test_regressoes_exponenciais.py

@@ -19,8 +19,6 @@ def test_MExponencial_valores():
 def test_MExponencial_amostrar():
     a,k,base=lab.Medida(1,'',0.001),lab.Medida(3,'',0.01),np.exp(1)
     exponencial=lab._regressões.MExponencial(a,k,base)
-    x=lab.Medida(2,'',0.1)
-    exponencial.amostrar(x,'')
     x_array=lab.linspaceM(0,1,10,'',0.1)
     exponencial.amostrar(x_array,'')
 

tests/test_regressoes_polinomiais.py

@@ -83,10 +83,6 @@ def test_MPolinomio_call():
     coeficientes = np.array([Medida(2, '', 0.001), Medida(3, '', 0.001), Medida(4, '', 0.001)])
     polinomio = lab2._regressões.MPolinomio(coeficientes)
     polinomio_number=lambda x: 2*x**2+3*x+4
-    # Teste de chamada com um número
-    x = Medida(1, '', 0.001)
-    resultado = polinomio.amostrar(x,'')
-    np.isclose(resultado, polinomio_number(1), rtol=1e-3)
 
     # Teste de chamada com um array
     x_array = np.array([Medida(1, '', 0.1), Medida(2, '', 0.1), Medida(3, '', 0.1)])