Python-For-Schleifen

Einführung

In einer fernen Zukunft, in der das Klima sich verändert hat und Eis den größten Teil der Erdoberfläche bedeckt, findest du dich in der Rolle eines Chronisten der Eiszeit. Deine Aufgabe ist es, die Muster im Eis zu dokumentieren und die unterschiedlichen Dicken der Schichten zu erfassen, die die Geschichte des Weltklimas preisgeben. Um diese entscheidende Aufgabe auszuführen, musst du die Macht von Python und die Iterationsfähigkeiten der for-Schleife nutzen - dein digitaler Eiskernbohrer. Dies wird uns nicht nur helfen, die Vergangenheit zu verstehen, sondern auch uns auf die Zukunft vorzubereiten, indem wir die Eiswachstumsmuster analysieren und prognostizieren. Kannst du der Herausforderung gewachsen sein und helfen, die in der Zeit gefrorenen Geheimnisse zu entlocken?

Das Erkunden der Eisdicke

In diesem Schritt lernst du, wie du for-Schleifen verwendest, um eine Liste von Eisschichtdickenmessungen zu verarbeiten. Stell dir vor, du erhälst eine Liste, die die Dicke des Eises in verschiedenen Schichten eines Kernproben repräsentiert. Lass uns die durchschnittliche Dicke dieser Schichten berechnen.

Bevor du startest, stell sicher, dass du im Arbeitsverzeichnis /home/labex/project bist.

Öffne nun ice_thickness.py und schreibe den folgenden Python-Code, um die durchschnittliche Dicke zu berechnen.

## ice_thickness.py

## Beispiel-Daten, die die Eisschichtdicken in Millimetern repräsentieren
ice_layers = [120, 150, 90, 200, 180, 75, 140]

## Initialisiere die Gesamtstärke auf 0
total_thickness = 0

## Verwende eine for-Schleife, um die Stärken zu summieren
for layer in ice_layers:
    total_thickness += layer

## Berechne die durchschnittliche Dicke
average_thickness = total_thickness / len(ice_layers)

## Drucke die durchschnittliche Dicke aus
print(f"Die durchschnittliche Eisschichtdicke beträgt {average_thickness} Millimeter.")

Um den Code auszuführen, führe diesen Befehl in deiner Konsole aus:

python ice_thickness.py

Du solltest die durchschnittliche Eisschichtdicke als Ergebnis sehen:

Die durchschnittliche Eisschichtdicke beträgt 136.42857142857142 Millimeter.

Die Vorhersage des zukünftigen Eiseswachstums

Fortsetzen wir unsere Reise als Eischronist und prognostizieren das Wachstum von Eisschichten mit einer for-Schleife.

Früher hast du die durchschnittliche Dicke von Eisschichten berechnet. Verwende nun diese Daten, um das zukünftige Eisschichtwachstum vorherzusagen. Wir nehmen an, dass die Eisdicke jedes Jahr um einen bestimmten Prozentsatz zunimmt.

Schreibe nun folgenden Code, um die Eisdicke in den nächsten fünf Jahren in /home/labex/project/predict_growth.py vorherzusagen:

## predict_growth.py

## Durchschnittliche Dicke von Eisschichten (aus Schritt 1)
average_thickness = 136.42857142857142  ## Ersetze mit dem Wert, den du berechnet hast

## Prognosemodell, das annimmt, dass die Eisdicke jedes Jahr um 4% zunimmt
growth_rate = 0.04

## Prognostiziere die Eisdicke in den nächsten fünf Jahren
for year in range(1, 6):
    future_thickness = average_thickness * ((1 + growth_rate) ** year)
    print(f"Jahr {year}: {future_thickness:.2f} Millimeter")

Führe diesen Code mit dem folgenden Befehl aus:

python ~/project/predict_growth.py

Du wirst die vorhergesagten Dicken für jedes der nächsten fünf Jahre sehen:

Jahr 1: 141.89 Millimeter
Jahr 2: 147.56 Millimeter
Jahr 3: 153.46 Millimeter
Jahr 4: 159.60 Millimeter
Jahr 5: 165.99 Millimeter

Zusammenfassung

In diesem Lab haben wir uns in die gefrorene Welt von Python-For-Schleifen gestürzt, indem wir uns als Chronisten der Eiszeit betrachtet haben. Wir haben begonnen, reale Welt-Daten zu verarbeiten, die Eisschichten repräsentieren, um die durchschnittliche Dicke zu berechnen. Mit dieser grundlegenden Fähigkeit etabliert, haben wir dann die Macht von Python genutzt, um zukünftige Veränderungen im Eis vorherzusagen und die Wachstumsmuster im Laufe der Zeit zu simulieren. Indem wir die For-Schleife beherrschen, haben wir nicht nur die vergangenen Bedingungen simuliert, sondern auch in die Zukunft blicken können, eine Methodik, die für das Verständnis des Klimawandels von entscheidender Bedeutung ist.