From 2ea84781520e058971542b4c7790b02aa7de84fb Mon Sep 17 00:00:00 2001
From: Malte Woidt <m.woidt@tu-braunschweig.de>
Date: Wed, 23 Nov 2022 09:42:00 +0100
Subject: [PATCH] Loesung fuer die 4. Uebung

---
 Uebung04/Uebung04_lsg.ipynb | 326 ++++++++++++++++++++++++++++++++++++
 1 file changed, 326 insertions(+)
 create mode 100644 Uebung04/Uebung04_lsg.ipynb

diff --git a/Uebung04/Uebung04_lsg.ipynb b/Uebung04/Uebung04_lsg.ipynb
new file mode 100644
index 0000000..233f9a3
--- /dev/null
+++ b/Uebung04/Uebung04_lsg.ipynb
@@ -0,0 +1,326 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "id": "e990c2fb-c4c7-470f-8090-86de9651ec50",
+   "metadata": {},
+   "source": [
+    "# <font color='blue'>**Ãœbung 4 - Module und Zeichnen mit Matplotlib**</font>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "9caa439c-ae2c-4871-9b81-950a32f458a2",
+   "metadata": {},
+   "source": [
+    "## <font color='blue'>**Einleitung**</font>\n",
+    "\n",
+    "In den vorherigen Übungen haben wir uns mit den Grundlagen der Programmiersprache Python befasst. Inhalt dieser Übung ist die Verwendung von Modulen. In der letzten Übung haben wir Klassen und die Objektorientierte Programmierung kennen gelernt. Als Beispiel diente eine einfache Klasse um grundlegende Vektorrechnung zu ermöglichen. Vektorrechnung ist etwas, das in vielen Programmen benötigt wird und sicherlich bereits von vielen Programmierern implementiert wurde. Um das Rad nicht bei jedem Programm neu zu erfinden bietet Python ein sogenanntes Modul-System an, durch das Programmcode wiederverwendet werden kann. Ein Modul bietet Klassen oder auch Funktionen an, die von anderen Programmierern wiederverwendet werden können Dabei beschränkt sich ein Modul meistens auf ein spezielles Themengebiet. Ein solches Modul kann selbst in Python geschrieben sein, es gibt allerdings auch viele Module, die in anderen Programmiersprachen programmiert sind, sich allerdings trotzdem mit Python verwenden lassen.\\\n",
+    "Module können in Paketen zusammengefasst sein, die sich über einen zentralen Paketmanager namens *pip* automatisch installieren lassen. Viele davon sind im Internet bereitgestellt und lassen sich darüber hinaus sogar automatisch herunterladen. In dieser Übung geht es darum, wie solche Module genutzt werden können. Außerdem geht es um die Verwendung eines konkreten Moduls namens Matplotlib, das im wissenschaftlichen Kontext oft zur Erstellung von Grafiken genutzt wird\n",
+    "\n",
+    "### **Weitere Notebooks, die dir helfen könnten**\n",
+    "* Python Grundlagen Teil 1\n",
+    "* Python Grundlagen Teil 2\n",
+    "* OOP Grundlagen\n",
+    "\n",
+    "### **Vorkenntnisse**\n",
+    "* Ãœbung 1\n",
+    "* Ãœbung 2\n",
+    "* Ãœbung 3\n",
+    "\n",
+    "### **Lernziele**\n",
+    "* Module\n",
+    "* Grundlegende Verwendung von Matplotlib"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "fdde8bab-000b-452f-aa39-98cbcd11b8f4",
+   "metadata": {},
+   "source": [
+    "# <font color='blue'>**Abschnitt 1 - Importieren von Modulen**</font>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "e082132f-33ef-4956-955f-d7b462d20a14",
+   "metadata": {},
+   "source": [
+    "Ein Modul kann man sich prinzipiell als eine Sammlung von Klassen, Funktionen und ggf. Variablen vorstellen. Am einfachsten ist es, diese Module mit *import* zu importieren, was immer das komplette Modul lädt. Python selbst bringt automatisch einige Module mit. Diese werden als die Standardbibliothek bezeichnet. Eine vollständige Liste findet sich unter *https://docs.python.org/3/library/*. Ein Beispiel ist die Bibliothek *time*, die verschiedene Funktionen rund um das Thema Zeit beinhaltet"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 3,
+   "id": "eee8bebd-4394-4149-b66c-3bad8de9658e",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "time.struct_time(tm_year=2022, tm_mon=11, tm_mday=21, tm_hour=16, tm_min=50, tm_sec=41, tm_wday=0, tm_yday=325, tm_isdst=0)\n"
+     ]
+    }
+   ],
+   "source": [
+    "import time\n",
+    "print(time.localtime())"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "9765a216-c831-4f97-8f51-de6a908a0cff",
+   "metadata": {},
+   "source": [
+    "Das Beispiel importiert ein Modul mit dem Namen *time*. Das ist möglich, da dieses Modul automatisch mit Python installiert wird. Um Funktionalität im Module *time* (z.B. die Funktion *localtime*, aber auch Klassen oder Variablen) zu nutzen, muss dem Funktionsnamen ein *time.* vorangestellt werden. Ähnlich wie bei der Objektorientierten Programmierung. Der Sinn ist, dass verschiedene Module unter Umständen Funktionen oder Klassen mit identischen Namen beinhalten könnten, was ohne diese Regel zu Problemen führen würde. Jedes Modul kann nur einmal geladen werden. Mehrmaliges Importieren eines Moduls führt zwar nicht zu Fehlern, das Modul wird aber nicht neu geladen. Das kann allerdings nur dann zum Problem werden, wenn man selber Module programmieren möchte. Falls der Modulname zu lang ist, kann man dem Modul in einem Programm auch einen Ersatznamen geben. Es sind auch mehrere Ersatznamen möglich"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 4,
+   "id": "4f2c174a-09e9-4044-b7eb-96ce07c6481b",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "time.struct_time(tm_year=2022, tm_mon=11, tm_mday=21, tm_hour=17, tm_min=0, tm_sec=25, tm_wday=0, tm_yday=325, tm_isdst=0)\n"
+     ]
+    }
+   ],
+   "source": [
+    "import time as ti\n",
+    "print (ti.localtime())"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "7d565fc0-2a58-48bf-9c01-1464b9ecf522",
+   "metadata": {},
+   "source": [
+    "Das Beispiel macht das selbe, wie die erste Zelle. Das Modul *time* wird lediglich unter dem Alias *ti* in das Programm geladen. Es ist weiterhin möglich, nur einzelne Funktionen aus einem Modul zu laden. Diesen kann optional ein neuer Name gegeben werden"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 5,
+   "id": "d142c8f4-5fd4-4299-b914-abbc9b5913fd",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "time.struct_time(tm_year=2022, tm_mon=11, tm_mday=21, tm_hour=17, tm_min=2, tm_sec=16, tm_wday=0, tm_yday=325, tm_isdst=0)\n"
+     ]
+    }
+   ],
+   "source": [
+    "from time import localtime as Lokalzeit\n",
+    "print (Lokalzeit())"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "482c83c0-cbcd-4d05-a9d9-e1d05e4a4d53",
+   "metadata": {},
+   "source": [
+    "Das Beispiel importiert nur die Funktion *localtime* aus dem Modul *time*. Im Programm ist sie unter dem Namen *Lokalzeit* verfügbar. Alle drei Beispiele machen das selbe. Welche Methode ein Modul zu importieren die beste ist, hängt von der jeweiligen Situation ab. Mit der möglichkeit *import as* funktioniert es meistens am Einfachsten.\\\n",
+    "Module können in Python verschachtelt sein. Das bedeutet ein Modul kann aus mehreren Modulen bestehen, die ihrerseits dann Klassen, Funktionen und Variablen anbieten. Ein Beispiel dafür ist das Modul matplotlib, das ein Modul pyplot enthält. Schaue dir das Grundlagen-Notebook an"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "33039b46-4f2b-4eea-8254-79061a7504ca",
+   "metadata": {},
+   "source": [
+    "# <font color='blue'>**Abschnitt 2 - Zeichne eine Sinus und eine Kosinusfunktion**</font>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "25e7cf2e-5eea-4cd2-a0b7-85959683097a",
+   "metadata": {},
+   "source": [
+    "## <font color='blue'>*Aufgabe*</font>\n",
+    "Erstelle eine Grafik, die eine Sinus- und eine Kosinuskurve zeigt. Die Grafik soll auf der x-Achse von -Pi bis Pi gehen. Die entsprechenden Sinus- und Kosinuswerte sind selbst zu berechnen. Die Grafik soll aus 100 Stützstellen bestehen, die gleichmäßig über die x-Achse verteilt sind. Alle Achsen sollen sinnvoll beschriftet sein und die Grafik soll über eine Legende verfügen. Um an diesem Punkt die Aufgabe etwas besser zu gliedern, besteht sie aus mehreren Teilaufgaben, in denen du auch einige Techniken der vorangegangenen Übungen wiederholen kannst."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "348e7767-baf7-42b4-935c-d7496bb4a34c",
+   "metadata": {},
+   "source": [
+    "## <font color='blue'>*Hinweise*</font>\n",
+    "Der Sinus und der Kosinus können über die Funktionen *sin(x)* bzw. *cos(x)* aus dem Modul *math* berechnet werden. Weiterhin enthält das Modul eine Variable namens *pi*"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "79aa95c6-adc0-40ee-9566-49439896681f",
+   "metadata": {},
+   "source": [
+    "### <font color='blue'>*Teilaufgabe 1*</font>\n",
+    "Um etwas zeichnen zu können, brauchen wir zunächst die Werte der Sinus und der Kosinus Funktion an 100 gleichmäßig verteilten Stellen zwischen -Pi und Pi. Dazu sollen 3 Listen erstellt werden. Eine mit den x-Werten, eine mit den Sinus-Werten und eine mit den Kosinus-Werten. Dafür benötigst du eine Schleife, bei der in jedem Durchgang ein weiterer Wert angehängt wird\n",
+    "### <font color='blue'>*Lösung Teilaufgabe-1*</font>"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 26,
+   "id": "f361c08d-ade7-446a-a519-d953c4ea267f",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import math\n",
+    "x_werte=[]\n",
+    "sinus=[]\n",
+    "kosinus=[]\n",
+    "for i in range(100):\n",
+    "    x=-math.pi+i*(2*math.pi/99)\n",
+    "    x_werte.append(x)\n",
+    "    sinus.append(math.sin(x))\n",
+    "    kosinus.append(math.cos(x))"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "e45669c5-f500-494a-bac4-eb49846204ba",
+   "metadata": {},
+   "source": [
+    "### <font color='blue'>*Teilaufgabe 2*</font>\n",
+    "Um etwas mit Matplotlib warm zu werden, solltest du zu erst versuchen die Sinusfunktion zu zeichnen. Da du nur eine einfache Grafik zeichnen möchtest, kannst du hierfür das *pyplot* interface verwenden. Versuche die Grafik zu beschriften. Die Kurve soll im rot und gestrichelt sein\n",
+    "### <font color='blue'>*Lösung Teilaufgabe-2*</font>"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 12,
+   "id": "3b77a06d-a486-45f4-a0e3-ad2fd087ddfd",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import matplotlib.pyplot as plt\n",
+    "%matplotlib inline"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 25,
+   "id": "704cd96d-5767-4be4-9761-9bec88e62cfd",
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "image/png": "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\n",
+      "text/plain": [
+       "<Figure size 640x480 with 1 Axes>"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    }
+   ],
+   "source": [
+    "plt.plot(x_werte,sinus,\"r--\")\n",
+    "plt.title(\"Sinus\")\n",
+    "plt.xlabel(\"X\")\n",
+    "plt.ylabel(\"Y\")\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "a9d7fe62-9ffd-418d-819e-ee72a8617bd3",
+   "metadata": {},
+   "source": [
+    "### <font color='blue'>*Teilaufgabe 3*</font>\n",
+    "Für diese Teilaufgabe soll das Objektorientierte Interface von Matplotlib genutzt werden. Erstelle zunächst ein *Figure*-Objekt für die Zeichnung. Es soll die Größe 5 zu 2.5 besitzen. Die Zeichnung soll einen Graphen enthalten, der sowohl die Sinus und die Kosinus Funktion enthält. Die Sinus-Funktion soll in blau, die Kosinusfunktion in rot dargestellt sein. Außerdem soll die Grafik einen sinnvollen Titel und eine Farblegende besitzen. Die X-Achse soll mit \"X\", die Y-Achse mit \"Y\" beschriftet sein"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 41,
+   "id": "fb035a92-6fb1-4306-bf47-b585bfa5a43d",
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "image/png": "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\n",
+      "text/plain": [
+       "<Figure size 500x250 with 1 Axes>"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    }
+   ],
+   "source": [
+    "figure=plt.figure(figsize=(5,2.5))\n",
+    "ax=figure.subplots()\n",
+    "ax.plot(x_werte,sinus,\"b\",label=\"Sinus\")\n",
+    "ax.plot(x_werte,kosinus,\"r\",label=\"Kosinus\")\n",
+    "ax.set_xlabel(\"X\")\n",
+    "ax.set_ylabel(\"Y\")\n",
+    "ax.set_title(\"Sinus und Kosinus\")\n",
+    "ax.legend()\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "3c798465-575f-4d0a-b803-aeb93d023fc0",
+   "metadata": {},
+   "source": [
+    "# <font color='blue'>**Aufgabe zum selbst probieren**</font>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "91ebfd38-aabb-4538-a547-f0fdae15c22d",
+   "metadata": {},
+   "source": [
+    "Probiere ein neue Grafik zu erstellen, in der zwei Graphen untereinander positioniert sind. Einer soll die Sinus-Funktion enthalten, einer die Kosinus-Funktion. Probiere die beschriebenen Möglichkeiten im Grundlagen-Notebook selbst aus. Markiere z.B. das Maximum der Sinus-Funktion mit einem Pfeil. Hinterlege die Grafiken mit einem Hintergrundraster, damit du Werte besser ablesen kannst. Die x- und y-Achse sind momentan noch recht grob in Einerschritten beschriftet. Füge kleinere Markierungen für 0.1-er Schritte in der Beschriftung hinzu"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "cc3b1290-6063-4985-9ef4-1c035c96582c",
+   "metadata": {},
+   "source": [
+    "# <font color='blue'>**Lösung**</font>"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "f2845551-20ea-4d56-be1c-e6dfce2ddadb",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.10.5"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}
-- 
GitLab