3l3ctrical - Tumblr blog

[3l3ctrical]

def sortiraj_listu(lista):

    for i in range(len(lista)-1):

        min_index = najmanji(lista, i, len(lista)-1)

        zamijeni(lista, i, min_index)

    return lista

[3l3ctrical]

Primjena računalnog razmišljanja na popravak bicikla može uključivati sljedeće korake:

Razlaganje (Decomposition): Razbijte problem popravka bicikla na manje, upravljive dijelove. Na primjer, identificirajte specifične sustave bicikla koji trebaju popravak ili održavanje, kao što su kočnice, lanac, gume, upravljački sustav, itd.

Prepoznavanje uzoraka (Pattern recognition): Pokušajte prepoznati uzorke ili sličnosti u problemima koje ste identificirali. Na primjer, ako su kočnice i gume istrošene, možda postoji uzorak zanemarivanja redovnog održavanja.

Apstrakcija (Abstraction): Odbacite sve detalje koji nisu relevantni za rješavanje problema. Na primjer, ako je problem s kočnicama, ne trebate se fokusirati na boju bicikla ili vrstu sjedala.

Dizajniranje algoritama (Algorithm design): Razvijte korak-po-korak plan za rješavanje identificiranih problema. Na primjer, algoritam za popravak kočnica može uključivati provjeru jastučića kočnica, podešavanje kabela kočnice, i testiranje kočnica nakon podešavanja.

Primjena na popravak bicikla:

Razlaganje: Prvo, pregledajte bicikl da identificirate koje dijelove treba popraviti ili zamijeniti. Možda ćete trebati popraviti kočnice, napumpati gume, podmazati lanac, ili podesiti mjenjač.

Prepoznavanje uzoraka: Ako primijetite da gume brzo gube zrak, uzorak može biti mala rupa na gumama. Ako lanac često sklizne, uzorak može biti istrošenost zupčanika ili lanca.

Apstrakcija: Fokusirajte se samo na dijelove koji zahtijevaju pažnju. Ako je problem s kočnicama, ne trebate se brinuti o stanju sjedala ili boji bicikla.

Dizajniranje algoritama: Za svaki problem, razvijte plan popravka. Na primjer, ako su kočnice problem, vaš algoritam može biti: provjeriti debljinu jastučića kočnica, podešavanje kabela kočnice ako je previše labav ili previše zategnut, i testiranje kočnica nakon popravka da se osigura sigurno zaustavljanje.

Primjena računalnog razmišljanja na popravak bicikla pomaže vam da sustavno pristupite problemu, što omogućava efikasnije i uspješnije rješavanje problema.

[3l3ctrical]

def jedinstveni(lista):

    i = 0

    while i < len(lista):

        if nadi_element(lista, i, lista[i]):

            lista = brisi_na_indexu(lista, i)

        else:

            i += 1

    return lista

[3l3ctrical]

2.NA PRIMJERU PLANIRANJA PUTA OBRAZLOŽITE KOJE PROBLEME MOŽEMO IZBJEĆI KORIŠTENJEM RAČ RAZMIŠLJANJA. -DEKOMPOZICIJA-->Odredište ; Polazište ; Sredstvo prijevoza ; Smještaj ; Aktivnosti ; Proračun(budžet) -UOČAVANJE UZORAKA-->ako je odredište unutar manje udaljenosti, mozemo koristiti javni prijevoz ili auto -->ako putujemo u popularno turističko odredište mozemo uociti uzorak skupljih apartmana blize centru -APSTRAKCIJA-->udarni datumi putovanja kako bi izbjegli gužve; ključne aktivnosti i atrakcije ignorirajući one manje bitne; prosječni troškovi smještaja, privoza i aktivnosti -ALGORITAM->1.Izbor odredišta;2.Istraživanje optimalnog prijevoza;3.Rezervacija smještaja;4.Planiranje aktivnosti;5.Proračun;6.Pakiranje;7.Putovanje Primjenom računalnog razmišljanja možemo sistematično planirati putovanje, smanjiti mogućnosti previda, optimizirati troškove, te maksimalno iskoristiti vrijeme provedeno na putovanju. 5.PROGRAMSKI KOD "if a==0: print('a nije 0') IZAZVAT ĆE KAKVU GREŠKU? -Logičku(bug) --> uvjet provjerava da li je a == 0, a ispisuje kontradiktornu poruku 6.PROGRAMSKI KOD "a= 5/0" IZAZVAT ĆE KAKVU GREŠKU? -Runtime error, error pri samom izvođenju programa, ustvari je to ZeroDivisionError koji spada u skupinu aritmetičkih errora, ali nadskupina bi bila runtime error 7.TKO JE AUTOR PROGRAMSKOG JEZIKA PYTHON? -Guido Van Rossum

9.ŠTO SU I ZBOG ČEGA KORISTIMO MODULE U PYTHONU? -Modul je svaka .py datoteka u pythonu. Koriste se za bolju organizaciju koda kako bi se lakše održavao(popravljale greške, dodavala proširenja). 10.KAKO SE ZOVE ALAT ZA UPRAVLJANJE RELACIJSKIM BAZAMA PODATAKA KOJI SE INSTALIRA ZAJEDNO S PYTHONOM? -SQLite 11.ŠTO JE KLASA, A ŠTO OBJEKT? Klasa je korisnički definiran tip podatka, a predstavlja nacrt, predložak na temelju kojeg će se kreirati varijable odnosno objekti koje ćemo kasnije koristiti u programu. Objekt je dakle istanca klase, koju kreiramo pomoću konstruktora klase. 12.MOVIES 13.KOJA SU 2 NAJRAŠIRENIJA MIKRORAČUNALA ZA RAZVOJ I HOBI? -Raspberry Pi i Arduino 14.NA KOJEM OPERACIJSKOM SUSTAVU JE BAZIRAN OPERACIJSKI SUSTAV RASPBERRY PI-A? -Linux 15.NEKE OD KOMPONENTI IOT SUSTAVA SU SENZOR, MIKRO-RAČUNALO I CENTRALNI SUSTAV ZA OBRADU. -Točno 16.IoT SKRIPTA 17.NUMPY JE STANDARDNI DIO PYTHON BIBLIOTEKE. -NE 18.ŠTO JE PANDAS, TE ZA ŠTO SE NAJVIŠE KORISTI? -Pandas je open-source python biblioteka koja pruža visoko efikasne i fleksibilne strukture podataka i alate za analizu podataka. Glavni cilj pandasa je omogućiti lako i intuitivno manipuliranje i analizu strukturiranih podataka. Koristi se u područijima poput data scienca, financija, ekonomije, statistike, analitike za učitavanje, obradu i analizu podataka.

[3l3ctrical]

auti

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('cars.csv', sep=';')

origins = df['Origin'].unique() # Dohvatite jedinstvene vrijednosti za 'Origin' plt.figure(figsize=(10, 6))

for origin in origins: subset = df[df['Origin'] == origin] plt.hist(subset['Weight'], alpha=0.5, label=origin)

plt.title('Distribucija težine automobila po podrijetlu') plt.xlabel('Težina') plt.ylabel('Broj automobila') plt.legend(title='Podrijetlo') plt.show()

[3l3ctrical]

vina

import pandas as pd import matplotlib.pyplot as plt

red_wine = pd.read_csv("winequality-red.csv", delimiter=";") white_wine = pd.read_csv("winequality-white.csv", delimiter=";")

avg_red_acidity = red_wine["pH"].mean() avg_white_acidity = white_wine["pH"].mean()

wine_types = ["Red Wine", "White Wine"] average_acidity = [avg_red_acidity, avg_white_acidity]

plt.figure(figsize=(10, 6)) plt.hist(red_wine['fixed acidity'], bins=30, alpha=0.5, label='Crna vina', color='red') plt.hist(white_wine['fixed acidity'], bins=30, alpha=0.5, label='Bijela vina', color='yellow') plt.xlabel('pH vrijednost') plt.ylabel('Frekvencija') plt.title('Histogram pH vrijednosti za Crna i Bijela vina') plt.legend() plt.show()

vina2

plt.figure(figsize=(10, 6)) plt.hist(red_wine['quality'], bins=6, alpha=0.5, label='Crna vina', color='red', edgecolor="black") plt.hist(white_wine['quality'], bins=7, alpha=0.5, label='Bijela vina', color='yellow', edgecolor="black") average_qualities = [avg_red_quality, avg_white_quality] plt.xlabel("kvaliteta vina") plt.ylabel("broj vina") plt.title("Usporedna crvenih i bijelih vina (prosjek kvalitete)") plt.legend() plt.show()

[3l3ctrical]

movie parser sva 3

from datetime import datetime

from datamodel.movie import Movie

from bs4 import BeautifulSoup

class Parser:

    def parse(self, file_name):

        movies = []

        with open(file_name, 'r', encoding='utf-8') as file:

            content = file.read()

            soup = BeautifulSoup(content, 'html.parser')

            movie_cards = soup.find_all('div', class_='card style_1')

            for card in movie_cards:

                title_tag = card.find('h2')

                date_tag = card.find('p')

                if title_tag and date_tag:

                    title = title_tag.get_text(strip=True)

                    date_text = date_tag.get_text(strip=True)

                    year = self.extract_year(date_text)

                    if year:

                        movies.append(Movie(title, year))

            return movies

    def extract_year(self, date_text):

        parts = date_text.split(', ')

        if len(parts) == 2 and parts[1].isdigit():

            return int(parts[1])

        return None

#u slucaju da je json file kod bi izgledao ovako

import json

from datamodel.movie import Movie

def parse_json(file_name):

    movies = []

    with open(file_name, 'r', encoding='utf-8') as file:

        data = json.load(file)

        for item in data['movies']:  

            title = item['title']

            date_text = item['date']

            year = extract_year(date_text)

            if year:

                movies.append(Movie(title, year))

    return movies

def extract_year(date_text):

    parts = date_text.split(', ')

    if len(parts) == 2 and parts[1].isdigit():

        return int(parts[1])

    return None

#u slucaju da je csv file

import csv

from datamodel.movie import Movie

class Parser:

    def __init__(self, csv_file):

        self.csv_file = csv_file

        self.movies = self.parse()

    def parse(self, csv_file):

        movies = []

        with open(csv_file, 'r', encoding='utf-8') as file:

            csv_reader = csv.reader(file)

            next(csv_reader)  

            for row in csv_reader:

                title = row['Title']

                date = row['Year']

                year = extract_year(date)

                if year:

                    movies.append(Movie(title, year))

        return movies

    def extract_year(date_text):

        parts = date_text.split(', ')

        if len(parts) == 2 and parts[1].isdigit():

            return int(parts[1])

        return None

[3l3ctrical]

movies sql

class View:

    def __init__(self, name):

        self.name = name

        self.connection = sqlite3.connect(self.name)

        self.cursor = self.connection.cursor()

    def movies(self):

        self.cursor.execute("SELECT title, year FROM movies")

        movie_data = self.cursor.fetchall()

        movies = [Movie(title, year) for title, year in movie_data]

        return movies

ili ovako

class View:

    def __init__(self, name):

        self.name = name

    def movies(self):

        connection = sqlite3.connect(self.name)  

        cursor = connection.cursor()

        cursor.execute("SELECT title, year FROM movies")

        rows = cursor.fetchall()

        connection.close()

        movies = [Movie(title, year) for title, year in rows]  

        return movies