小小数学家(python)

问题描述

使用牛顿迭代法求圆周率的近似值。 已经知道无穷级数4/1 - 4/3 + 4/5 - 4/7 + ……的和是圆周率π,通过这一无穷级数前n项的和即可估算圆周率的值。当计算的圆周率与math库中的常数pi误差小于自然数e的(-m)次方的时候停止计算。

输入格式:

输入一个数m,表示误差参数,即当计算的圆周率与math库中的常数pi误差小于自然数e的(-m)次方的时候停止计算。

输出格式:

输出求取的无穷级数项数
输出估算的圆周率值,保留6位小数

输入样例:

在这里给出一组输入。例如:

5

输出样例:

在这里给出相应的输出。例如:

149
3.148304

 Python代码

import math
num = int(input())
i = 1
sum = 0
while math.fabs(sum-math.pi)>=math.pow(math.e,-1*num):
    sum += 4/(2*i-1)*pow(-1,i+1)
    i += 1
print("%d\n%.6f"%(i-1,sum),end="")

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
数学建模是将现实问题转化为数学模型,并使用数学方法进行分析和求解的过程。在Python中,有许多库可以帮助我们进行数学建模,如NumPy、SciPy和SymPy等。以下是一个简单的数学建模示例: 假设我们要建立一个简单的线性回归模型来预测房屋价格。我们可以收集一些房屋的面积和价格数据,并使用最小二乘法拟合一个线性模型。 首先,我们需要导入所需的库: ```python import numpy as np from scipy.optimize import leastsq import matplotlib.pyplot as plt ``` 然后,我们定义输入数据和目标变量: ```python # 输入数据 X = np.array([50, 70, 90, 110, 130, 150, 170, 190]) # 目标变量 y = np.array([200, 300, 400, 500, 600, 700, 800, 900]) ``` 接下来,我们定义线性模型和误差函数: ```python # 线性模型函数 def linear_func(params, x): k, b = params return k*x + b # 误差函数 def error_func(params, x, y): return linear_func(params, x) - y ``` 然后,使用最小二乘法拟合模型: ```python # 初始参数猜测值 initial_guess = [1, 1] # 最小二乘法拟合 params, success = leastsq(error_func, initial_guess, args=(X, y)) ``` 最后,我们可以绘制拟合的线性模型和原始数据点: ```python # 绘制原始数据点 plt.scatter(X, y, label='Data') # 绘制拟合的线性模型 x_range = np.linspace(0, 200, 100) y_range = linear_func(params, x_range) plt.plot(x_range, y_range, color='red', label='Fitted Line') plt.xlabel('Area') plt.ylabel('Price') plt.legend() plt.show() ``` 通过以上步骤,我们就可以使用Python进行简单的数学建模。当然,实际的数学建模问题可能更加复杂,需要根据具体情况选择不同的建模方法和库来解决。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值