[1] исправлено проведение замеров и отчет

pogodinda/lab1/benchmark.py

@@ -8,8 +8,6 @@ from bst_phonebook import *
 
 sys.setrecursionlimit(100000)
 
-
-
 def generate_test_data(n=10000):
     """Генерация тестовых данных"""
     uniform_records = [(f"User_{i:05d}", f"+7-999-{i:07d}") for i in range(n)]
@@ -50,83 +48,96 @@ def run_benchmarks():
         ('отсортированный', test_data['sorted'])
     ]
     
+    REPEATS = 5  # Количество повторов
+    
     for struct_name, struct_type in structures:
         print(f"\n=== Тестирование {struct_name} ===")
         
         for mode_name, records in modes:
             print(f"  Режим: {mode_name}")
             
-            # Создаем структуру и меряем вставку
+            # Запускаем 5 повторов для каждой комбинации
-            if struct_type == 'll':
+            for rep in range(1, REPEATS + 1):
-                structure = None
+                print(f"    Повтор {rep}/{REPEATS}...")
-                start = time.perf_counter()
-                for name, phone in records:
-                    structure = ll_insert(structure, name, phone)
-                end = time.perf_counter()
-                insert_time = end - start
                 
-            elif struct_type == 'ht':
+                # Создаем структуру и меряем вставку
-                structure = create_hash_table(5000)
+                if struct_type == 'll':
-                start = time.perf_counter()
+                    structure = None
-                for name, phone in records:
+                    start = time.perf_counter()
-                    ht_insert(structure, name, phone)
+                    for name, phone in records:
-                end = time.perf_counter()
+                        structure = ll_insert(structure, name, phone)
-                insert_time = end - start
+                    end = time.perf_counter()
+                    insert_time = end - start
+                    
+                elif struct_type == 'ht':
+                    structure = create_hash_table(5000)
+                    start = time.perf_counter()
+                    for name, phone in records:
+                        ht_insert(structure, name, phone)
+                    end = time.perf_counter()
+                    insert_time = end - start
+                    
+                elif struct_type == 'bst':
+                    structure = None
+                    start = time.perf_counter()
+                    for name, phone in records:
+                        structure = bst_insert(structure, name, phone)
+                    end = time.perf_counter()
+                    insert_time = end - start
                 
-            elif struct_type == 'bst':
+                results.append([struct_name, mode_name, "вставка", insert_time, rep])
-                structure = None
+                
+                # Поиск
                 start = time.perf_counter()
-                for name, phone in records:
+                for name in test_data['search_names']:
-                    structure = bst_insert(structure, name, phone)
+                    if struct_type == 'll':
+                        ll_find(structure, name)
+                    elif struct_type == 'ht':
+                        ht_find(structure, name)
+                    elif struct_type == 'bst':
+                        bst_find(structure, name)
                 end = time.perf_counter()
-                insert_time = end - start
+                find_time = end - start
-            
+                results.append([struct_name, mode_name, "поиск", find_time, rep])
-            print(f"    Вставка: {insert_time:.6f} сек")
+                
-            results.append([struct_name, mode_name, "вставка", insert_time])
+                # Удаление
-            
+                start = time.perf_counter()
-            # Поиск
+                for name in test_data['delete_names']:
-            start = time.perf_counter()
+                    if struct_type == 'll':
-            for name in test_data['search_names']:
+                        structure = ll_delete(structure, name)
-                if struct_type == 'll':
+                    elif struct_type == 'ht':
-                    ll_find(structure, name)
+                        ht_delete(structure, name)
-                elif struct_type == 'ht':
+                    elif struct_type == 'bst':
-                    ht_find(structure, name)
+                        structure = bst_delete(structure, name)
-                elif struct_type == 'bst':
+                end = time.perf_counter()
-                    bst_find(structure, name)
+                delete_time = end - start
-            end = time.perf_counter()
+                results.append([struct_name, mode_name, "удаление", delete_time, rep])
-            find_time = end - start
-            print(f"    Поиск (60 запросов): {find_time:.6f} сек")
-            results.append([struct_name, mode_name, "поиск", find_time])
-            
-            # Удаление
-            start = time.perf_counter()
-            for name in test_data['delete_names']:
-                if struct_type == 'll':
-                    structure = ll_delete(structure, name)
-                elif struct_type == 'ht':
-                    ht_delete(structure, name)
-                elif struct_type == 'bst':
-                    structure = bst_delete(structure, name)
-            end = time.perf_counter()
-            delete_time = end - start
-            print(f"    Удаление (30 записей): {delete_time:.6f} сек")
-            results.append([struct_name, mode_name, "удаление", delete_time])
     
-    # Сохраняем в CSV
+    # Сохраняем в CSV с колонкой "Повтор"
     with open('docs/data/results.csv', 'w', newline='', encoding='utf-8') as f:
         writer = csv.writer(f)
-        writer.writerow(['Структура', 'Режим', 'Операция', 'Время (сек)'])
+        writer.writerow(['Структура', 'Режим', 'Операция', 'Время (сек)', 'Повтор'])
         writer.writerows(results)
     
-    print("\n" + "="*60)
+    # Подсчет средних значений
-    print("ИТОГОВЫЕ РЕЗУЛЬТАТЫ (в секундах)")
+    print("\n" + "="*70)
-    print("="*60)
+    print("СРЕДНИЕ ЗНАЧЕНИЯ (по 5 повторам)")
-    print(f"{'Структура':12} {'Режим':12} {'Операция':10} {'Время':>10}")
+    print("="*70)
-    print("-"*50)
-    for row in results:
-        print(f"{row[0]:12} {row[1]:12} {row[2]:10} {row[3]:10.6f}")
     
-    print(f"\nРезультаты сохранены в docs/data/results.csv")
+    # Собираем данные для средних
+    from collections import defaultdict
+    avg_data = defaultdict(list)
+    for row in results:
+        key = (row[0], row[1], row[2])
+        avg_data[key].append(row[3])
+    
+    print(f"{'Структура':15} {'Режим':13} {'Операция':10} {'Среднее время':>12}")
+    print("-"*55)
+    for (struct, mode, op), times in avg_data.items():
+        avg_time = sum(times) / len(times)
+        print(f"{struct:15} {mode:13} {op:10} {avg_time:12.6f}")
+    
+    print(f"\nВсе замеры (5 повторов) сохранены в docs/data/results.csv")
 
 if __name__ == "__main__":
     random.seed(42)

pogodinda/lab1/docs/data/results.csv

@@ -1,19 +1,91 @@
-Структура,Режим,Операция,Время (сек)
+Структура,Режим,Операция,Время (сек),Повтор
-LinkedList,случайный,вставка,6.751254200004041
+LinkedList,случайный,вставка,4.9375476999994135,1
-LinkedList,случайный,поиск,0.07962289988063276
+LinkedList,случайный,поиск,0.04131099999358412,1
-LinkedList,случайный,удаление,0.038067599991336465
+LinkedList,случайный,удаление,0.02149870000721421,1
-LinkedList,отсортированный,вставка,7.378327900078148
+LinkedList,случайный,вставка,4.644251200006693,2
-LinkedList,отсортированный,поиск,0.09230039990507066
+LinkedList,случайный,поиск,0.042833100000279956,2
-LinkedList,отсортированный,удаление,0.023862000089138746
+LinkedList,случайный,удаление,0.020811700000194833,2
-HashTable,случайный,вставка,0.02441199985332787
+LinkedList,случайный,вставка,4.78751110000303,3
-HashTable,случайный,поиск,0.0002272999845445156
+LinkedList,случайный,поиск,0.041008800006238744,3
-HashTable,случайный,удаление,0.00011650007218122482
+LinkedList,случайный,удаление,0.02328480000142008,3
-HashTable,отсортированный,вставка,0.023515600012615323
+LinkedList,случайный,вставка,5.261260200000834,4
-HashTable,отсортированный,поиск,0.00027600000612437725
+LinkedList,случайный,поиск,0.043706600001314655,4
-HashTable,отсортированный,удаление,0.00012340000830590725
+LinkedList,случайный,удаление,0.022936199995456263,4
-BST,случайный,вставка,0.03815519995987415
+LinkedList,случайный,вставка,4.584412900003372,5
-BST,случайный,поиск,0.00031240005046129227
+LinkedList,случайный,поиск,0.10296139999991283,5
-BST,случайный,удаление,0.00018319999799132347
+LinkedList,случайный,удаление,0.06556309999723453,5
-BST,отсортированный,вставка,21.532808099873364
+LinkedList,отсортированный,вставка,4.5104472000093665,1
-BST,отсортированный,поиск,0.18976689991541207
+LinkedList,отсортированный,поиск,0.03982529998756945,1
-BST,отсортированный,удаление,0.07795759988948703
+LinkedList,отсортированный,удаление,0.016976200000499375,1
+LinkedList,отсортированный,вставка,4.366683700005524,2
+LinkedList,отсортированный,поиск,0.06564230000367388,2
+LinkedList,отсортированный,удаление,0.028787899995222688,2
+LinkedList,отсортированный,вставка,4.719926499994472,3
+LinkedList,отсортированный,поиск,0.04211149999173358,3
+LinkedList,отсортированный,удаление,0.01897859999735374,3
+LinkedList,отсортированный,вставка,4.7542686000088,4
+LinkedList,отсортированный,поиск,0.036636300006648526,4
+LinkedList,отсортированный,удаление,0.018097999985911883,4
+LinkedList,отсортированный,вставка,4.634292700007791,5
+LinkedList,отсортированный,поиск,0.038695100010954775,5
+LinkedList,отсортированный,удаление,0.0167280000023311,5
+HashTable,случайный,вставка,0.02125880001403857,1
+HashTable,случайный,поиск,0.0002066000015474856,1
+HashTable,случайный,удаление,0.0001053000014508143,1
+HashTable,случайный,вставка,0.02124099999491591,2
+HashTable,случайный,поиск,0.00018730000010691583,2
+HashTable,случайный,удаление,9.57000011112541e-05,2
+HashTable,случайный,вставка,0.022729699994670227,3
+HashTable,случайный,поиск,0.00018990000535268337,3
+HashTable,случайный,удаление,9.289999434258789e-05,3
+HashTable,случайный,вставка,0.02114750001055654,4
+HashTable,случайный,поиск,0.00018650000856723636,4
+HashTable,случайный,удаление,8.990000060293823e-05,4
+HashTable,случайный,вставка,0.022626199992373586,5
+HashTable,случайный,поиск,0.0002082999999402091,5
+HashTable,случайный,удаление,0.00010770000517368317,5
+HashTable,отсортированный,вставка,0.020416200000909157,1
+HashTable,отсортированный,поиск,0.0001990000018849969,1
+HashTable,отсортированный,удаление,9.100000897888094e-05,1
+HashTable,отсортированный,вставка,0.0198104000010062,2
+HashTable,отсортированный,поиск,0.00022190000163391232,2
+HashTable,отсортированный,удаление,0.00010359998850617558,2
+HashTable,отсортированный,вставка,0.020307500002672896,3
+HashTable,отсортированный,поиск,0.00020939999376423657,3
+HashTable,отсортированный,удаление,9.639999188948423e-05,3
+HashTable,отсортированный,вставка,0.020547599997371435,4
+HashTable,отсортированный,поиск,0.00019010000687558204,4
+HashTable,отсортированный,удаление,8.830000297166407e-05,4
+HashTable,отсортированный,вставка,0.021012699988204986,5
+HashTable,отсортированный,поиск,0.00023970000620465726,5
+HashTable,отсортированный,удаление,0.00011470000026747584,5
+BST,случайный,вставка,0.0366175000090152,1
+BST,случайный,поиск,0.00028440001187846065,1
+BST,случайный,удаление,0.0001773999974830076,1
+BST,случайный,вставка,0.03504180000163615,2
+BST,случайный,поиск,0.00026760000037029386,2
+BST,случайный,удаление,0.00017100000695791095,2
+BST,случайный,вставка,0.10903169999073725,3
+BST,случайный,поиск,0.00026849999267142266,3
+BST,случайный,удаление,0.00016820000018924475,3
+BST,случайный,вставка,0.03673420000995975,4
+BST,случайный,поиск,0.00029830000130459666,4
+BST,случайный,удаление,0.00018350000027567148,4
+BST,случайный,вставка,0.03608160000294447,5
+BST,случайный,поиск,0.00028360000578686595,5
+BST,случайный,удаление,0.00017559999832883477,5
+BST,отсортированный,вставка,19.357352699997136,1
+BST,отсортированный,поиск,0.17716789999394678,1
+BST,отсортированный,удаление,0.0909034999931464,1
+BST,отсортированный,вставка,17.69543930000509,2
+BST,отсортированный,поиск,0.14151260000653565,2
+BST,отсортированный,удаление,0.0668835999967996,2
+BST,отсортированный,вставка,18.86925250000786,3
+BST,отсортированный,поиск,0.16006389999529347,3
+BST,отсортированный,удаление,0.06768140000349376,3
+BST,отсортированный,вставка,17.811097199999494,4
+BST,отсортированный,поиск,0.16981530000339262,4
+BST,отсортированный,удаление,0.0726349000033224,4
+BST,отсортированный,вставка,16.240639600000577,5
+BST,отсортированный,поиск,0.1427488000044832,5
+BST,отсортированный,удаление,0.062093499989714473,5

pogodinda/lab1/docs/report.md

@@ -2,18 +2,20 @@
 
 ## 1. Введение
 
-В данной работе были реализованы три структуры данных для хранения телефонного справочника: связный список, хеш-таблица и двоичное дерево поиска. Проведено экспериментальное сравнение производительности операций вставки, поиска и удаления на наборе из **10 000 записей**. Для каждой структуры тестирование выполнялось на двух вариантах входных данных: случайный порядок и отсортированный по имени.
+В данной работе были реализованы три структуры данных для хранения телефонного справочника: связный список, хеш-таблица и двоичное дерево поиска. Проведено экспериментальное сравнение производительности операций вставки, поиска и удаления на наборе из **10 000 записей**. 
+
+Для каждой структуры тестирование выполнялось на двух вариантах входных данных: случайный порядок и отсортированный по имени. Каждый эксперимент повторялся **5 раз**, в таблице приведены средние значения.
 
 ## 2. Результаты измерений
 
 | Структура | Режим | Вставка, с | Поиск, с | Удаление, с |
 |-----------|-------|------------|----------|-------------|
-| Связный список | случайный | 7.50 | 0.0376 | 0.1337 |
+| Связный список | случайный | 4.84 | 0.0544 | 0.0308 |
-| Связный список | отсортированный | 7.12 | 0.0323 | 0.0263 |
+| Связный список | отсортированный | 4.60 | 0.0446 | 0.0199 |
-| Хеш-таблица | случайный | 0.022 | 0.0001 | 0.0001 |
+| Хеш-таблица | случайный | 0.0218 | 0.000196 | 0.000096 |
-| Хеш-таблица | отсортированный | 0.024 | 0.0001 | 0.0001 |
+| Хеш-таблица | отсортированный | 0.0204 | 0.000212 | 0.000098 |
-| Двоичное дерево | случайный | 0.037 | 0.0001 | 0.0196 |
+| Двоичное дерево | случайный | 0.0507 | 0.000280 | 0.000175 |
-| Двоичное дерево | отсортированный | RecursionError | RecursionError | RecursionError |
+| Двоичное дерево | отсортированный | 17.99 | 0.1583 | 0.0720 |
 
 ![График производительности](data/graph.png)
 
@@ -21,28 +23,29 @@
 
 ### 3.1. Влияние порядка данных на BST
 
-При вставке элементов в отсортированном порядке двоичное дерево поиска вырождается в линейный список. Эксперимент подтверждает это: вставка на отсортированных данных вызвала ошибку RecursionError, в то время как на случайных данных заняла 0.037 секунды.
+При вставке элементов в отсортированном порядке двоичное дерево поиска вырождается в линейный список. Эксперимент подтверждает это: вставка на отсортированных данных заняла **17.99 секунды**, что в **355 раз** медленнее, чем на случайных данных (0.0507 секунды). Поиск и удаление также замедлились примерно в 500 раз.
 
 ### 3.2. Устойчивость хеш-таблицы к порядку
 
-Хеш-таблица использует хеш-функцию, которая равномерно распределяет ключи по корзинам независимо от порядка поступления. В случайном и отсортированном режимах время вставки практически одинаково: 0.022 и 0.024 секунды.
+Хеш-таблица использует хеш-функцию, которая равномерно распределяет ключи по корзинам независимо от порядка поступления. В случайном и отсортированном режимах время вставки практически одинаково: 0.0218 и 0.0204 секунды. Разница находится в пределах погрешности измерений.
 
-### 3.3. Медлительность связного списка при поиске
+### 3.3. Медлительность связного списка
 
-Связный список не обеспечивает прямого доступа к элементам. Время поиска в списке (0.0376 сек) в 376 раз больше, чем в хеш-таблице (0.0001 сек).
+Связный список не обеспечивает прямого доступа к элементам. Вставка 10000 записей заняла **4.84 секунды** в случайном режиме. Время поиска в списке (0.0544 сек) в **278 раз** больше, чем в хеш-таблице (0.000196 сек). Удаление также значительно медленнее.
 
 ### 3.4. Сравнение удаления
 
-- Связный список: 0.1337 сек (требует линейного поиска)
+- **Связный список**: 0.0308 сек (случайный) — требуется линейный поиск
-- Хеш-таблица: 0.0001 сек (мгновенно)
+- **Хеш-таблица**: 0.000096 сек — практически мгновенно
-- BST на случайных данных: 0.0196 сек
+- **BST на случайных данных**: 0.000175 сек — очень быстро
+- **BST на отсортированных данных**: 0.0720 сек — в 400 раз медленнее, чем на случайных
 
-## 4. Вывод
+## 4. Выводы
 
-**Хеш-таблица** – оптимальный выбор, если требуется максимальная скорость поиска, вставки и удаления. В эксперименте показала стабильно высокую производительность во всех режимах.
+**Хеш-таблица** – оптимальный выбор, если требуется максимальная скорость поиска, вставки и удаления. В эксперименте показала стабильно высокую производительность во всех режимах (около 0.02 секунды на вставку 10000 записей).
 
-**Двоичное дерево поиска** – следует применять, когда необходимо получать данные в отсортированном порядке.
+**Двоичное дерево поиска** – эффективно на случайных данных, но критически деградирует на отсортированных. При необходимости работы с отсортированными данными следует использовать сбалансированные деревья (AVL, красно-чёрные).
 
-**Связный список** – практически непригоден для больших объёмов данных из-за линейной сложности.
+**Связный список** – практически непригоден для больших объёмов данных из-за линейной сложности (4.84 секунды на вставку 10000 записей).
 
-Для телефонного справочника рекомендуется использовать хеш-таблицу.
+**Для телефонного справочника рекомендуется использовать хеш-таблицу** как наиболее быстрое и предсказуемое решение.

pogodinda/lab1/plot_results.py

@@ -1,26 +1,42 @@
 import matplotlib.pyplot as plt
 import csv
 import numpy as np
+from collections import defaultdict
+
+# Читаем результаты из CSV и усредняем по 5 повторам
+data = defaultdict(lambda: defaultdict(lambda: defaultdict(list)))
 
-# Читаем результаты из CSV
-data = {}
 with open('docs/data/results.csv', 'r', encoding='utf-8') as f:
     reader = csv.reader(f)
-    next(reader)
+    header = next(reader)  # пропускаем заголовок
+    
+    # Проверяем, есть ли колонка "Повтор"
+    has_repeat = 'Повтор' in header
+    
     for row in reader:
-        struct, mode, op, time = row[0], row[1], row[2], float(row[3])
+        struct = row[0]
-        if op not in data:
+        mode = row[1]
-            data[op] = {}
+        op = row[2]
-        if struct not in data[op]:
+        time_val = float(row[3])
-            data[op][struct] = {}
+        
-        data[op][struct][mode] = time
+        # Сохраняем все замеры
+        data[op][struct][mode].append(time_val)
+
+# Усредняем
+avg_data = {}
+for op in data:
+    avg_data[op] = {}
+    for struct in data[op]:
+        avg_data[op][struct] = {}
+        for mode in data[op][struct]:
+            times = data[op][struct][mode]
+            avg_data[op][struct][mode] = sum(times) / len(times)
 
 # Создаём графики
 operations = ['вставка', 'поиск', 'удаление']
 fig, axes = plt.subplots(1, 3, figsize=(15, 5))
 
-# Цвета: синий и красный
+colors = {'случайный': '#1f77b4', 'отсортированный': '#d62728'}
-colors = {'случайный': '#1f77b4', 'отсортированный': '#d62728'}  # синий и красный
 
 for idx, op in enumerate(operations):
     ax = axes[idx]
@@ -31,10 +47,9 @@ for idx, op in enumerate(operations):
     x = np.arange(len(structures))
     width = 0.35
     
-    random_times = [data[op][key].get('случайный', 0) for key in data_keys]
+    random_times = [avg_data[op][key].get('случайный', 0) for key in data_keys]
-    sorted_times = [data[op][key].get('отсортированный', 0) for key in data_keys]
+    sorted_times = [avg_data[op][key].get('отсортированный', 0) for key in data_keys]
     
-    # Рисуем столбцы
     bars1 = ax.bar(x - width/2, random_times, width, 
                    label='Случайный', color=colors['случайный'], edgecolor='white', linewidth=1)
     bars2 = ax.bar(x + width/2, sorted_times, width, 
@@ -45,15 +60,12 @@ for idx, op in enumerate(operations):
     ax.set_xticks(x)
     ax.set_xticklabels(structures, fontsize=10)
     
-    # Добавляем сетку
     ax.grid(True, axis='y', alpha=0.3, linestyle='--')
     ax.set_axisbelow(True)
     
-    # Убираем верхнюю и правую рамку
     ax.spines['top'].set_visible(False)
     ax.spines['right'].set_visible(False)
     
-    # Добавляем значения на столбцы
     for bar in bars1:
         height = bar.get_height()
         if height > 0:
@@ -70,16 +82,15 @@ for idx, op in enumerate(operations):
                        xytext=(0, 3), textcoords="offset points",
                        ha='center', va='bottom', fontsize=8)
 
-# Легенда ПОД графиками, чтобы не накладывалась
 fig.legend(labels=['Случайный', 'Отсортированный'], 
            loc='lower center', bbox_to_anchor=(0.5, -0.05), 
            ncol=2, fontsize=11, frameon=True, fancybox=True, shadow=True)
 
-plt.suptitle('Сравнение производительности структур данных (10000 записей)', 
+plt.suptitle('Сравнение производительности структур данных (10000 записей, среднее по 5 повторам)', 
              fontsize=14, fontweight='bold', y=1.02)
 plt.tight_layout()
-plt.subplots_adjust(bottom=0.12)  # Оставляем место для легенды снизу
+plt.subplots_adjust(bottom=0.12)
 plt.savefig('docs/data/graph.png', dpi=150, bbox_inches='tight', facecolor='white')
 plt.show()
 
-print("График сохранён в docs/data/graph.png")
+print("График сохранён в docs/data/graph.png (использованы средние значения по 5 повторам)")