analyse_tris2.py question2

TP8/analyse_tris.csv

+taille;"tri séléction";"tri insertion"
+  0;    0.00;    0.00
+  1;    0.00;    0.00
+  2;    1.00;    1.00
+  3;    3.00;    2.76
+  4;    6.00;    4.82
+  5;   10.00;    7.52
+  6;   15.00;   11.22
+  7;   21.00;   15.06
+  8;   28.00;   19.92
+  9;   36.00;   23.42
+ 10;   45.00;   28.42
+ 11;   55.00;   35.60
+ 12;   66.00;   41.88
+ 13;   78.00;   47.32
+ 14;   91.00;   56.94
+ 15;  105.00;   64.18
+ 16;  120.00;   70.92
+ 17;  136.00;   82.80
+ 18;  153.00;   92.20
+ 19;  171.00;  102.88
+ 20;  190.00;  109.10
+ 21;  210.00;  124.82
+ 22;  231.00;  130.18
+ 23;  253.00;  146.66
+ 24;  276.00;  161.96
+ 25;  300.00;  169.40
+ 26;  325.00;  179.54
+ 27;  351.00;  201.26
+ 28;  378.00;  212.50
+ 29;  406.00;  224.52
+ 30;  435.00;  245.34
+ 31;  465.00;  260.58
+ 32;  496.00;  271.32
+ 33;  528.00;  295.56
+ 34;  561.00;  307.54
+ 35;  595.00;  334.18
+ 36;  630.00;  358.66
+ 37;  666.00;  367.52
+ 38;  703.00;  380.28
+ 39;  741.00;  410.68
+ 40;  780.00;  418.60
+ 41;  820.00;  455.84
+ 42;  861.00;  463.90
+ 43;  903.00;  486.88
+ 44;  946.00;  501.62
+ 45;  990.00;  546.30
+ 46; 1035.00;  562.72
+ 47; 1081.00;  590.30
+ 48; 1128.00;  616.72
+ 49; 1176.00;  623.34
+ 50; 1225.00;  666.34
+ 51; 1275.00;  674.36
+ 52; 1326.00;  713.56
+ 53; 1378.00;  734.34
+ 54; 1431.00;  769.80
+ 55; 1485.00;  780.88
+ 56; 1540.00;  833.92
+ 57; 1596.00;  844.72
+ 58; 1653.00;  890.36
+ 59; 1711.00;  914.04
+ 60; 1770.00;  939.12
+ 61; 1830.00;  975.28
+ 62; 1891.00; 1026.10
+ 63; 1953.00; 1023.50
+ 64; 2016.00; 1064.12
+ 65; 2080.00; 1089.02
+ 66; 2145.00; 1156.74
+ 67; 2211.00; 1169.76
+ 68; 2278.00; 1213.86
+ 69; 2346.00; 1217.68
+ 70; 2415.00; 1242.02
+ 71; 2485.00; 1317.76
+ 72; 2556.00; 1313.18
+ 73; 2628.00; 1363.12
+ 74; 2701.00; 1418.40
+ 75; 2775.00; 1466.94
+ 76; 2850.00; 1496.98
+ 77; 2926.00; 1540.84
+ 78; 3003.00; 1581.18
+ 79; 3081.00; 1583.32
+ 80; 3160.00; 1653.38
+ 81; 3240.00; 1701.74
+ 82; 3321.00; 1769.40
+ 83; 3403.00; 1774.48
+ 84; 3486.00; 1828.00
+ 85; 3570.00; 1857.48
+ 86; 3655.00; 1899.12
+ 87; 3741.00; 1926.82
+ 88; 3828.00; 2014.10
+ 89; 3916.00; 2011.46
+ 90; 4005.00; 2048.14
+ 91; 4095.00; 2110.86
+ 92; 4186.00; 2201.62
+ 93; 4278.00; 2229.68
+ 94; 4371.00; 2297.28
+ 95; 4465.00; 2349.78
+ 96; 4560.00; 2348.66
+ 97; 4656.00; 2444.30
+ 98; 4753.00; 2462.70
+ 99; 4851.00; 2497.82
+100; 4950.00; 2573.92

TP8/analyse_tris2.py

+#!/usr/bin/python3
+# -*- coding: utf-8 -*-
+
+"""
+:mod:`analyse_tris` module
+:author: FIL - Faculté des Sciences et Technologies - Univ. Lille <http://portail.fil.univ-lille1.fr>_
+:date: janvier 2017
+:dernières révisions: février 2018, février 2019
+
+Analyse empirique des tris
+
+"""
+from random import shuffle
+from typing import Callable
+from compare import compare
+from ap_decorators import count
+from tris import *
+from functools import cmp_to_key
+
+################################################
+#  ANALYSE EMPIRIQUE DES TRIS                  #
+################################################
+
+# ajout d'un compteur à la fonction compare
+compare = count(compare)
+
+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
+
+def tri_sort(l: list[T], compare: Callable[[T, T], int]) -> None:
+    l.sort(key = cmp_to_key(compare))
+
+
+if (__name__ == '__main__'):
+    from matplotlib import pyplot as plt
+    
+    # Calcul de nombres moyens de comparaison pour des listes
+    # de tailles comprises entre 0 et TAILLE_MAX
+    NB_ESSAIS = 50
+    TAILLE_MAX = 100
+    c_select = [0.0] * (TAILLE_MAX + 1)
+    c_insert = [0.0] * (TAILLE_MAX + 1)
+    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)
+        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'
+    ligne = '{:3d};{:8.2f};{:8.2f}\n'
+    with open('analyse_tris.csv', 'wt', encoding='utf8') as sortie:
+        sortie.write(prem_ligne)
+        for t in range(TAILLE_MAX + 1):
+            sortie.write(ligne.format(t,
+                                      c_select[t],
+                                      c_insert[t],
+                                      ))
+
+    # Représentation graphique
+    plt.plot(list(range(TAILLE_MAX + 1)), c_select, 'b.', label='Tri sélection')
+    plt.plot(list(range(TAILLE_MAX + 1)), c_insert, 'r.', label='Tri insertion')
+    plt.plot(list(range(TAILLE_MAX + 1)), c_sort, 'g.', label='Tri sort')
+    plt.title('Tris : nbre de comparaisons')
+    plt.legend()
+    plt.xlabel('n = taille des listes')
+    plt.ylabel('c(n) = nbre de comparaisons')
+    plt.savefig('tris_nbcomp.png')
+    plt.show()
+
+