Feladatok

• Minden feladatot külön notebookba oldj meg!
• A megoldásnotebook neve tartalmazza a feladat számát!
• A megoldások kerüljenek a MEGOLDASOK mappába!
  Csak azok a feladatok kerülnek elbírálásra, amelyek a MEGOLDASOK mappában vannak!
• A megoldás tartalmazza a megoldandó feladat szövegét a megoldásnotebook első markdown cellájában!
• Kommentekkel, illetve markdown cellákkal magyarázd, hogy éppen mit csinál az adott kódrészlet!
  Magyarázat nélkül beküldött feladatok csak fél feladatnak számítanak!
• Az elkészített ábrákon legyen minden esetben tengelyfelirat! Amennyiben a beadott ábrákon nincs tengelyfelirat, az adott feladat automatikusan nem teljesítettnek minősül!

---

01-File megnyitás mode-ok

Milyen értékeket vehet fel az open függvény mode paramétere?

• Sorold fel a lehetséges értékeket és jelentésüket!
• Melyek az alapértelmezett értékek?
• Linkekkel jelöld a forrásaidat!

02-Filemanipuláció

Cseréld ki a '../data/NAPFOLT/SN_m_tot_V2.0.txt' file 137. és 42. karakterét!

• Az eredményt írd ki a 'napfolt_csere.dat' file-ba!
• Használjuk a python beépített függvényeit!
• Emlékezz, hogy a python-ban minden 0-val kezdődik!
• NE használd a numpy által biztosított függvényeket! Amennyiben a feladat megoldásához tartozó notebookban loadtxt() vagy savetxt() függvény van, a feladat automatikusan nem teljesítettnek minősül!

03-Napfoltmegfigyelések száma és szórása

Ábrázoljuk a '../data/NAPFOLT/SN_m_tot_V2.0.txt' file-ban található napfoltadatok számát és a megfigyelések pontosságát jellemző szórásokat az idő függvényében!

• Használjuk a python beépített függvényeit a mintapéldában bemutatott módon!
• Két ábrát készíts, egyet a megfigyelések számáról (nem a napfoltok számáról), egyet pedig az adatok szórásáról!

04- Baumgartner sebesen

A '../data/BAUMGARTNER/v_vs_t' file tartalmazza a Felix Baumgartner ugrásának mért sebesség-idő adatait. A file két oszlopot tartalmaz, az első a mérés ideje másodpercben mérve, a második az esési sebesség abszolút értéke km/h mértékegységben.

• Hasonlítsuk össze egy ábra segítségével a sebesség$--$idő adatsort az út$--$idő függvényből numerikus deriválással kapott adatsorral! Használjuk a '../data/BAUMGARTNER/h_vs_t' file-ból a magasság$--$idő adatokat!
  • Az ábrán legyen jelmagyarázat! Jelmagyarázat nélküli ábra automatikusan 0 pontos feladatot jelent!
• A sebesség-idő adatok numerikus deriválásával számítsuk ki a gyorsulás$--$idő függvényt, és elemezzük a függvény első néhány (10) pontját!
  • Mennyi a pontok átlaga?
  • Fizikai megfontolások alapján mennyinek kell lennie ennek az értéknek?
• Az adatok elemzésének segítségével, illetve az eredeti felvételt alaposabban is megvizsgálva nyilatkozzunk, hogy mi lehet az oka a sebesség-idő adatokban mutatkozó drasztikus ugrásnak $t\approx 270s$ környékén?

Megjegyzés: numerikus deriváláshoz érdemes a mintapéldát felhasználni.

05-Ebola

A '../data/EBOLA/ebola.txt' file tartalmazza a 2014-es Ebola járvány fertőzöttségi és kumulatív (adott napig hányan haltak meg összesen) halálozási adatait.

• Ábrázoljuk a file-ban szereplő összes országra külön-külön az elhalálozottak számát az idő függvényében!
• A járványterjedések jó közelítéssel exponenciális függvényalakkal jellemezhatőek, azaz az alábbi függvény $$f(t)=A e^{\alpha t} $$ jól szokott illeni ezen adatokra. Átlagképzés és numerikus deriválás segítségével határozzuk meg az $A$ és $\alpha$ együtthatókat az összes elhalálozások számából! Mivel $$\mathrm{d}f/\mathrm{d}t=\alpha f(t)$$ ezért $\alpha$ a halálozási idősor és annak idő-deriváltjának hányadosának az átlagával közelíthető. Az $\alpha$ ráta ismeretében az $A$ eggyütható értékét becsüljük meg az adatsor utólsó napjához tartozó adatokból!
• Ábrázoljuk a meghatározott paraméter értékek segítségével az $f(t)$ függvényt és az adatokat egyszerre!

06-☠ Mekegünk vagy nem mekegünk?

Gyakran mondják, hogy a magyar nyelv aránytalanul sok e-betűt használ, idegen hallgatóság úgy érzékeli, mintha sokat "mekegnénk".

• Vizsgáljuk meg, mi a 10 leggyakoribb magyar betű Mikszáth Kálmán A fekete város c. regényében (../data/fekete_varos.txt)!
• Figyeljünk arra, hogy számlálás közben mindent kisbetűssé alakítsunk.
• Benne van-e az első 10 betű között az "e"?
• A két- és háromjegyű mássalhangzókat most kezeljük két külön betűnek.

07-☠ Rímdetektor

• Olvassuk be Petőfi Sándor Szeptember végén c. versének sorait egy listába (../data/szeptember_vegen.txt)!
• Írjunk egy függvényt, amelynek ha beadunk két sort, akkor "megméri", hogy azok mennyire rímelnek!
• A "mérés" úgy történik, hogy vesszük mindkét sor utolsó szavát, majd a két szó közös karaktereinek számának a kétszeresét elosztjuk a két szó hosszának összegével.
• A mérés előtt a szavakből távolítsuk el az írásjeleket!
• Ezután vizsgáljuk meg, hogy a versen végigmenve a rímdetektor páros rímre (aabb) vagy keresztrímre (abab) ad-e nagyobb átlagos "rímmértéket"!