tri_sort

tp7/analyse_tris.csv

@@ -2,101 +2,101 @@ taille;"tri séléction";"tri insertion"
   0;    0.00;    0.00
   1;    0.00;    0.00
   2;    1.00;    1.00
-  3;    3.00;    2.54
-  4;    6.00;    4.94
-  5;   10.00;    7.74
-  6;   15.00;   10.94
-  7;   21.00;   15.12
-  8;   28.00;   18.32
-  9;   36.00;   24.46
- 10;   45.00;   28.74
- 11;   55.00;   36.26
- 12;   66.00;   42.60
- 13;   78.00;   47.62
- 14;   91.00;   55.40
- 15;  105.00;   64.76
- 16;  120.00;   75.72
- 17;  136.00;   81.50
- 18;  153.00;   93.78
- 19;  171.00;   99.70
- 20;  190.00;  108.00
- 21;  210.00;  121.72
- 22;  231.00;  136.70
- 23;  253.00;  148.32
- 24;  276.00;  154.62
- 25;  300.00;  177.60
- 26;  325.00;  185.98
- 27;  351.00;  195.04
- 28;  378.00;  214.66
- 29;  406.00;  228.92
- 30;  435.00;  243.02
- 31;  465.00;  263.00
- 32;  496.00;  278.32
- 33;  528.00;  300.08
- 34;  561.00;  313.08
- 35;  595.00;  332.32
- 36;  630.00;  347.46
- 37;  666.00;  363.56
- 38;  703.00;  385.38
- 39;  741.00;  402.26
- 40;  780.00;  431.92
- 41;  820.00;  449.30
- 42;  861.00;  468.26
- 43;  903.00;  482.66
- 44;  946.00;  514.60
- 45;  990.00;  547.12
+  3;    3.00;    2.66
+  4;    6.00;    4.84
+  5;   10.00;    8.02
+  6;   15.00;   10.46
+  7;   21.00;   15.74
+  8;   28.00;   19.30
+  9;   36.00;   25.44
+ 10;   45.00;   28.44
+ 11;   55.00;   34.82
+ 12;   66.00;   42.02
+ 13;   78.00;   48.54
+ 14;   91.00;   55.16
+ 15;  105.00;   66.28
+ 16;  120.00;   73.12
+ 17;  136.00;   79.96
+ 18;  153.00;   92.14
+ 19;  171.00;   99.98
+ 20;  190.00;  112.58
+ 21;  210.00;  122.30
+ 22;  231.00;  136.20
+ 23;  253.00;  149.02
+ 24;  276.00;  159.28
+ 25;  300.00;  171.26
+ 26;  325.00;  188.90
+ 27;  351.00;  196.46
+ 28;  378.00;  213.12
+ 29;  406.00;  224.26
+ 30;  435.00;  245.64
+ 31;  465.00;  259.88
+ 32;  496.00;  279.32
+ 33;  528.00;  290.44
+ 34;  561.00;  317.86
+ 35;  595.00;  333.44
+ 36;  630.00;  336.84
+ 37;  666.00;  373.86
+ 38;  703.00;  390.18
+ 39;  741.00;  411.06
+ 40;  780.00;  422.26
+ 41;  820.00;  437.46
+ 42;  861.00;  472.16
+ 43;  903.00;  486.10
+ 44;  946.00;  506.98
+ 45;  990.00;  532.68
  46; 1035.00;  558.56
- 47; 1081.00;  591.68
- 48; 1128.00;  596.86
- 49; 1176.00;  638.16
- 50; 1225.00;  662.70
- 51; 1275.00;  682.62
- 52; 1326.00;  707.10
- 53; 1378.00;  754.44
- 54; 1431.00;  758.76
- 55; 1485.00;  804.98
- 56; 1540.00;  815.14
- 57; 1596.00;  856.56
- 58; 1653.00;  857.58
- 59; 1711.00;  914.12
- 60; 1770.00;  921.60
- 61; 1830.00;  983.40
- 62; 1891.00;  987.16
- 63; 1953.00; 1037.34
- 64; 2016.00; 1086.56
- 65; 2080.00; 1084.88
- 66; 2145.00; 1158.24
- 67; 2211.00; 1172.10
- 68; 2278.00; 1185.94
- 69; 2346.00; 1220.80
- 70; 2415.00; 1292.92
- 71; 2485.00; 1308.74
- 72; 2556.00; 1343.22
- 73; 2628.00; 1390.08
- 74; 2701.00; 1428.48
- 75; 2775.00; 1445.40
- 76; 2850.00; 1475.92
- 77; 2926.00; 1534.34
- 78; 3003.00; 1604.52
- 79; 3081.00; 1610.94
- 80; 3160.00; 1674.74
- 81; 3240.00; 1693.34
- 82; 3321.00; 1729.02
- 83; 3403.00; 1799.78
- 84; 3486.00; 1800.70
- 85; 3570.00; 1884.10
- 86; 3655.00; 1954.98
- 87; 3741.00; 1964.98
- 88; 3828.00; 2012.42
- 89; 3916.00; 2011.72
- 90; 4005.00; 2080.66
- 91; 4095.00; 2147.18
- 92; 4186.00; 2161.90
- 93; 4278.00; 2216.44
- 94; 4371.00; 2290.34
- 95; 4465.00; 2347.26
- 96; 4560.00; 2389.54
- 97; 4656.00; 2413.08
- 98; 4753.00; 2483.92
- 99; 4851.00; 2523.12
-100; 4950.00; 2608.62
+ 47; 1081.00;  587.18
+ 48; 1128.00;  606.10
+ 49; 1176.00;  631.00
+ 50; 1225.00;  669.22
+ 51; 1275.00;  687.82
+ 52; 1326.00;  716.20
+ 53; 1378.00;  744.82
+ 54; 1431.00;  779.66
+ 55; 1485.00;  784.60
+ 56; 1540.00;  817.60
+ 57; 1596.00;  841.68
+ 58; 1653.00;  884.94
+ 59; 1711.00;  911.00
+ 60; 1770.00;  952.36
+ 61; 1830.00;  969.26
+ 62; 1891.00; 1016.92
+ 63; 1953.00; 1033.92
+ 64; 2016.00; 1061.48
+ 65; 2080.00; 1082.60
+ 66; 2145.00; 1148.86
+ 67; 2211.00; 1151.72
+ 68; 2278.00; 1189.32
+ 69; 2346.00; 1247.46
+ 70; 2415.00; 1249.00
+ 71; 2485.00; 1312.82
+ 72; 2556.00; 1338.22
+ 73; 2628.00; 1382.14
+ 74; 2701.00; 1416.98
+ 75; 2775.00; 1463.36
+ 76; 2850.00; 1515.78
+ 77; 2926.00; 1552.44
+ 78; 3003.00; 1592.64
+ 79; 3081.00; 1626.36
+ 80; 3160.00; 1655.74
+ 81; 3240.00; 1672.96
+ 82; 3321.00; 1740.14
+ 83; 3403.00; 1761.00
+ 84; 3486.00; 1806.66
+ 85; 3570.00; 1870.12
+ 86; 3655.00; 1906.36
+ 87; 3741.00; 1950.14
+ 88; 3828.00; 2011.50
+ 89; 3916.00; 2083.56
+ 90; 4005.00; 2085.50
+ 91; 4095.00; 2159.10
+ 92; 4186.00; 2186.72
+ 93; 4278.00; 2220.78
+ 94; 4371.00; 2287.80
+ 95; 4465.00; 2303.56
+ 96; 4560.00; 2357.14
+ 97; 4656.00; 2434.12
+ 98; 4753.00; 2458.50
+ 99; 4851.00; 2548.74
+100; 4950.00; 2597.96

tp7/analyse_tris2.py

@@ -41,7 +41,7 @@ def analyser_tri(tri: Callable[[list[T], Callable[[T, T], int]], NoneType],
         res += compare.counter
     return res / nbre_essais
 
-def tri_comp(l:list[T], comp: Callable[[T, T], int] = compare):
+def tri_sort(l:list[T], comp: Callable[[T, T], int] = compare):
     """à_remplacer_par_ce_que_fait_la_fonction
 
     Précondition : 
@@ -61,15 +61,13 @@ if (__name__ == '__main__'):
     TAILLE_MAX = 100
     c_select = [0.0] * (TAILLE_MAX + 1)
     c_insert = [0.0] * (TAILLE_MAX + 1)
-    # creating c_sort
     c_sort = [0.0] * (TAILLE_MAX +1)
     
     for t in range(TAILLE_MAX + 1):
         c_select[t] = analyser_tri(tri_select, 1, t)
         # inutile de moyenner pour le tri par sélection
         c_insert[t] = analyser_tri(tri_insert, NB_ESSAIS, t)
-        # for sorting
-        c_sort[t] = analyser_tri(tri_comp, NB_ESSAIS, t)
+        c_sort[t] = analyser_tri(tri_sort, NB_ESSAIS, t)
 
     # Sauvegarde des données calculées dans un fichier au format CSV
     prem_ligne = 'taille;"tri séléction";"tri insertion"\n'

tp7/tp_tris.py

@@ -4,6 +4,10 @@ import matplotlib.pyplot as plt
 from analyse_tris import tri_select
 from math import sqrt
 from analyse_tris import analyser_tri
+from typing import Callable
+from compare import compare
+from ap_decorators import count
+from tris import *
 
 
 # Préliminaires
@@ -20,29 +24,25 @@ def liste_alea(n: int) -> list[int]:
     return l
 
 # Évaluation expérimentale de la complexité en temps
-TAILLE_MAX = 100
-L = []
-T = []
+compare = count(compare)
 
-for t in range(1, TAILLE_MAX + 1):
-    rlist = liste_alea(t)
-    time = timeit.timeit(stmt='tri_select(l)', setup='from __main__ import tri_select, l', globals={'l': rlist}, number=5000)
-    L.append(t)
-    times.append(time)
-    
-plt.plot(lengths, times, label='Selection Sort')
-plt.xlabel('Length of List')
-plt.ylabel('Time (s)')
-plt.title('Selection Sort Execution Time')
-plt.legend()
-plt.grid(True)
-plt.show()
-
-#3
-import timeit
-import matplotlib.pyplot as plt
-import random
-from analyse_tris import tri_insert
+def analyser_tri(tri: Callable[[list[T], Callable[[T, T], int]], NoneType],
+                 nbre_essais: int,
+                 taille: int) -> float:
+    """
+    renvoie: le nombre moyen de comparaisons effectuées par l'algo tri
+         pour trier des listes de taille t, la moyenne étant calculée
+         sur n listes aléatoires.
+    précondition: n > 0, t >= 0, la fonc
+    """
+    res = 0
+    for i in range(nbre_essais):
+        compare.counter = 0
+        l = [k for k in range(taille)]
+        shuffle(l)
+        tri(l, compare)
+        res += compare.counter
+    return res / nbre_essais
 
 Nmax = 100
 number = 5000
@@ -80,8 +80,3 @@ plt.legend()
 plt.grid(True)
 plt.show()
 
-
-
-
-
-