# Задание 1: Структуры данных


>Выполнил: Светлаков Кирилл
>
>Студент 426 группы 



## Цель работы

Реализовать три различные структуры данных «с нуля», применить их для хранения записей телефонного справочника и экспериментально сравнить производительность основных операций. Необходимо собственными руками написать код, чтобы понять внутреннее устройство связного списка, хеш-таблицы и двоичного дерева поиска, а также осознать их сильные и слабые стороны на практике.

---

## 1. Реализация структур данных

### 1.1 Связный список (Linked List)

```python
def ll_insert(head, name, phone):
    current = head
    while current is not None:
        if current['name'] == name:
            current['phone'] = phone 
            return head
        current = current['next']
    return {'name': name, 'phone': phone, 'next': head}

def ll_find(head, name):
    current = head
    while current is not None:
        if current['name'] == name:
            return current['phone']
        current = current['next']
    return None

def ll_delete(head, name):
    if head is None:
        return None
    current = head
    if head['name'] == name:
        return head['next']
    while current['next'] is not None:
        if current['next']['name'] == name:
            current['next'] = current['next']['next']
            break
        current = current['next']
    return head
    
def ll_list_all(head):
    res = []
    current = head
    while current is not None:
        res.append((current['name'], current['phone']))
        current = current['next']
    res.sort()
    return res
```

---

### 1.2 Хеш-таблица (Hash Table)

```python
def ht_insert(buckets, name, phone):
    index = hash(name) % len(buckets)
    current_head = buckets[index]
    new_head = ll_insert(current_head, name, phone) 
    buckets[index] = new_head

def ht_find(buckets, name):
    index = hash(name)%len(buckets)
    slot_head = buckets[index]
    res_ph = ll_find(slot_head, name)
    return res_ph

def ht_delete(buskets, name):
    index = hash(name)%len(buskets)
    buskets[index] = ll_delete(buskets[index], name)

def ht_list_all(buckets):
    all_rec = []
    for head in buckets:
        current = head
        while current is not None:
            all_rec.append((current['name'], current['phone']))
            current = current['next']
    all_rec.sort()
    return all_rec
```

---

### 1.3 Двоичное дерево поиска (BST)
```python
def bst_insert(root, name, phone):
    if root is None:
        return {'name': name, 'phone': phone, 'left': None, 'right': None}
    if name < root['name']:
        root['left'] = bst_insert(root['left'], name, phone)
    elif name > root['name']:
        root['right'] = bst_insert(root['right'], name, phone)
    else: 
        root['phone'] = phone
    return root

def bst_find(root, name):
    if root is None:
        return None
    if name == root['name']:
        return root['phone']
    
    if name < root['name']: 
        return bst_find(root['left'], name)
    else: 
        return bst_find(root['right'], name)

def get_min(node):
    current = node
    while current['left'] is not None:
        current = current['left']
    return current

def bst_delete(root, name):
    if root is None:
        return None
    if name < root['name']: 
        root['left'] = bst_delete(root['left'], name)
    elif name > root['name']: 
        root['right'] = bst_delete(root['right'], name)
    else:
        if root['left'] is None:
            return root['right']
        if root['right'] is None:
            return root['left']
        successor = get_min(root['right'])
        root['name'] = successor['name']
        root['phone'] = successor['phone']
        root['right'] = bst_delete(root['right'], successor['name'])
    return root

def bst_list_all(root, res = None):
    if res is None:
        res = []
    if root is not None:
        bst_list_all(root['left'], res)
        res.append({'name': root['name'], 'phone': root['phone']})
        bst_list_all(root['right'], res)
    #сортировка уже сделана
    return res
```

---

## 2. Эксперимент

Для экспериментального сравнения были сгенерированы 10 000 записей вида `(User_XXXXX, номер_телефона)`.

Каждый тест проводился в двух режимах входных данных:
- Случайный (shuffled) - записи перемешаны в произвольном порядке
- Отсортированный (sorted) - записи отсортированы по имени

Для каждой структуры и режима измерялось время выполнения трёх операций:
- Вставка - 10 000 элементов
- Поиск - 110 запросов (100 существующих + 10 несуществующих)
- Удаление - 50 элементов

Каждый замер повторялся 5 раз, итоговое значение - среднее арифметическое.

В файл `results.py` записывались в следующем виде
| Structure | Mode | Operation | Time |
|---|---|---|---|
| Название структуры: LL, BST, HT | Режим данных: shufled, sorted | Операция и номер попытки или среднее | Время выполнения в секундах |
| LL | shufled | Вставка (попытка 1) | 2.730272 |
| LL | shufled | Вставка (попытка 2) | 2.675253 |
| LL | shufled | Вставка (попытка 3) | 2.628982 |
| LL | shufled | Вставка (попытка 4) | 2.673355 |
| LL | shufled | Вставка (попытка 5) | 2.636129 |
| LL | shufled | Вставка СРЕДНЕЕ | 2.668798 |
| ... | ... | ... | ... |    
 
---


## 3. Результаты

### 3.1 Вставка

![График 1](insert_plot.png)


### 3.2 Поиск

![График 2](search_plot.png)


### 3.3 Удаление

![График 3](delete_plot.png)


---

## 4. Анализ результатов

### 4.1 Влияние порядка данных на BST: деградация до O(n)

При вставке случайных данных BST ведёт себя как сбалансированное дерево: каждый новый ключ с равной вероятностью уходит влево или вправо, глубина дерева составляет ~log₂(10000) ≈ 13. Операция вставки 10 000 записей заняла 0.025 сек.

При вставке отсортированных данных каждый новый ключ оказывается больше предыдущего и всегда уходит вправо. Дерево вырождается в линейный список глубиной 10 000. Каждая следующая вставка проходит на один шаг дальше, итоговая сложность становится O(1 + 2 + ... + n) = O(n²). Именно поэтому вставка отсортированных данных заняла 13.16 сек - более чем в 500 раз медленнее случайных.

Это фундаментальный недостаток, реализованного BST. 

---

### 4.2 Нечувствительность хеш-таблицы к порядку данных

Хеш-таблица вычисляет позицию элемента через `hash(name) % len(buckets)`. Функция `hash()` в Python зависит только от значения ключа, но никак не от порядка вставки. Независимо от того, отсортированы данные или перемешаны, каждый ключ попадает в тот же бакет с той же скоростью.

Это подтверждается полученными результатами: время вставки для случайных данных - 0.0281 сек, для отсортированных - 0.0286 сек, что практически одинаково.

В графике для поиска и удаления, моожно заметить примено такой же результат - время работы программы для отсортированных и не для неотсортированных данных одинаково.

---

### 4.3 Медленный поиск в связном списке

Связный список не имеет структуры, позволяющей перейти к нужному элементу. При поиске приходится последовательно проходить узел за узлом от головы до нужного элемента - это линейный поиск O(n).

При N = 10 000 и 110 запросах среднее время поиска составило 0.03 сек, в ~150 раз медленнее поиска в BST и в ~75 раз медленнее поиска в HT на случайных данных.

Порядок данных на LL практически не влияет: в любом случае нужно проходить примерно половину списка для найденных и весь список для несуществующих записей.

---

### 4.4 Удаление в каждой структуре

Связный список: удаление требует сначала найти удаляемый элемент - O(n). Затем достаточно переключить одну ссылку у предшественника. Итог: O(n) за счёт поиска. При 50 удалениях время составило ~0.02 сек.

Хеш-таблица: вычисляем бакет за O(1), затем удаляем элемент из короткой цепочки. Итог: O(1) амортизированно. При 50 удалениях время составило 0.00003 сек для случайных  и  0.00004 для отсортированых данных, что значительно быстрее связного списка, но медленее BST(для неотсортированных данных).

BST (случайные данные): находим узел за O(log n). Если у него два потомка - находим минимум правого поддерева, копируем его значение и рекурсивно удаляем его. Итог: O(log n). При 50 удалениях время составило 0.00012 сек.

BST (отсортированные данные): дерево вырождено в список, глубина O(n). Каждое удаление - O(n), 50 удалений - 0.060 сек, что медленнее даже связного списка.

---

## 5. Выводы

Из результатов эксперимента, можно сделать вывод, что нет универсальной структуры данных, и под конкретную задачу надо выбирать определенную.


Хеш-таблица - лучший выбор, если нужны быстрые вставка, поиск и удаление и порядок хранения данных не важен. Идеальна для кешей, словарей, телефонных справочников, где операции выполняются в O(1). Не подходит для задач, требующих обхода данных в отсортированном порядке.

BST - лучший выбор, когда важен порядок данных: обход дерева in-order даёт отсортированную последовательность за O(n), можно быстро найти минимум/максимум или диапазон ключей. Подходит для задач типа «найти все записи от A до B». Критически важно использовать только на случайных или специально перемешанных данных.

Связный список - подходит для задач, где данные постоянно добавляются и удаляются с известной позиции (начало/конец списка), а поиск по значению происходит редко. В телефонном справочнике с 10 000 записей является наихудшим вариантом из трёх.

| Задача | Лучшая структура |
|---|---|
| Частые вставки и удаления по ключу | Хеш-таблица |
| Частый поиск по ключу | Хеш-таблица |
| Обход данных в отсортированном порядке | BST |
| Поиск по диапазону ключей | BST |
| Встава/удаление в начало/конец | Связный список |
| Данные приходят отсортированными, нужен быстрый поиск | Хеш-таблица |