encore
"""
# à la Fortran; ça n'est pas forcément
# la bonne approche ici bien sûr
# mais si un élève a des envies de benchmarking...
result = np.zeros(shape=(lines, columns), dtype=int)
for i in range(lines):
for j in range(columns):
result[i, j] = 100 * i + 10 * j + offset
return result
# @END@
def hundreds_ko(lines, columns, offset):
result = np.ones(shape=(lines, columns), dtype=float)
return result
hundreds_inputs = [
Args(2, 4, 0),
Args(3, 3, 1),
]
exo_hundreds = ExerciseFunctionNumpy(
hundreds,
hundreds_inputs,
nb_examples=2,
)
matches += 1
return matches
# @END@
def dice_ko(target, nb_dice=2, sides=6):
return sides**(nb_dice - 1)
SIDES = 5
dice_inputs = [
Args(7),
Args(2),
Args(20, sides=10),
Args(3, nb_dice=3),
Args(4, nb_dice=3),
Args(50, nb_dice=8),
] + [
Args(target, sides=SIDES, nb_dice=3) for target in range(3, 3 * SIDES + 1)
]
exo_dice = ExerciseFunctionNumpy(
dice,
dice_inputs,
nb_examples=5,
layout_args=(50, 10, 10),
)
"""
# Je vous laisse vous convaincre que ça fonctionne aussi
# en utilisant le broadcasting
# pour s'économiser une transposition explicite
return (lambda x: x + x[:, np.newaxis])(taille -
np.abs(range(-taille, taille + 1)))
# @END@
def stairs_ko(taille):
n = 2 * taille + 1
ix, iy = np.indices((n, n), dtype=np.float)
return ((taille - 1) + 2 * taille -
(np.abs(ix - taille) + np.abs(iy - taille)))
stairs_inputs = [
Args(1),
Args(2),
Args(3),
Args(4),
]
exo_stairs = ExerciseFunctionNumpy(
stairs,
stairs_inputs,
nb_examples=2,
)
return (np.resize((corner_0_0, 1 - corner_0_0),
(1, size)) ^ np.arange(size)[:, np.newaxis] & 1)
# @END@
# faux parce qu'on ignore corner_0_0
# voir aussi si la correction est contente avec des float
def checkers_ko(size, ignored=True):
result = np.ones(shape=(size, size), dtype=float)
# on remplit les cases blanches en deux fois
result[1::2, 0::2] = 0
result[0::2, 1::2] = 0
return result
checkers_inputs = [
Args(3),
Args(3, False),
Args(1),
Args(2),
Args(4),
]
exo_checkers = ExerciseFunctionNumpy(
checkers,
checkers_inputs,
nb_examples=2,
)