Add data generation

semyanovra/docs/experiment_setup.md

@@ -0,0 +1,14 @@
+# Эксперимент 1: Генерация данных
+
+**Студент:** semyanovra
+**Ветка:** structura-dannuh
+
+## Результаты
+- Создано 10000 записей
+- Имена: User_00000 до User_09999
+- Телефоны: случайные 10 цифр
+
+## Файлы
+- `src/generate_data.py` - скрипт генерации
+- `docs/data/records_shuffled.csv` - случайный порядок
+- `docs/data/records_sorted.csv` - сортированный порядок

semyanovra/scr/generate_data.py

@@ -0,0 +1,109 @@
+"""
+Экспериментальная часть. Пункт 1: Генерация тестовых данных.
+Цель: создать список записей (имя, телефон) для дальнейшего тестирования
+структур данных (связный список, хеш-таблица, BST).
+
+Особенности реализации:
+- N = 10000 записей.
+- Два режима: случайный порядок и отсортированный по имени.
+- Имена генерируются равномерно (User_00000 ... User_09999) + небольшой
+  набор повторяющихся имен для создания коллизий в хеш-таблице.
+- Телефоны — случайные строки из 10 цифр.
+"""
+
+import random
+
+def generate_test_data(n=10000, duplicate_names_ratio=0.1):
+    """
+    Генерирует два набора записей: в случайном порядке и отсортированном.
+
+    Параметры:
+    - n: общее количество записей (по умолчанию 10000).
+    - duplicate_names_ratio: доля имен, которые будут повторяться (коллизии).
+      Например, 0.1 означает, что 10% записей будут использовать
+      имена из небольшого пула, остальные 90% — уникальные User_XXXXX.
+
+    Возвращает:
+    - records_shuffled: список кортежей (name, phone) в случайном порядке.
+    - records_sorted: тот же список, но отсортированный по имени.
+    """
+
+    # 1. Создаем пул уникальных имен (равномерное распределение)
+    #    Формат: User_00000, User_00001, ..., User_09999
+    unique_names = [f"User_{i:05d}" for i in range(n)]
+
+    # 2. Создаем небольшой пул имен для повторений (коллизий)
+    #    Например, 20 разных имен, которые будут многократно встречаться.
+    collision_pool_size = max(1, int(n * duplicate_names_ratio))  # ~1000 имен для 10000 записей (10%)
+    collision_names = [f"Common_{j:03d}" for j in range(collision_pool_size)]
+
+    # 3. Формируем итоговый список имен с повторениями
+    #    - Первые (n - collision_pool_size) записей — уникальные.
+    #    - Оставшиеся collision_pool_size записей — случайные из пула коллизий.
+    names = []
+    # Уникальная часть
+    names.extend(unique_names[:n - collision_pool_size])
+    # Часть с повторениями (для проверки коллизий в хеш-таблице)
+    for _ in range(collision_pool_size):
+        names.append(random.choice(collision_names))
+
+    # Перемешиваем имена, чтобы повторяющиеся имена не шли подряд
+    random.shuffle(names)
+
+    # 4. Генерируем случайные телефоны (10 цифр)
+    phones = []
+    for _ in range(n):
+        phone = ''.join(random.choices('0123456789', k=10))
+        phones.append(phone)
+
+    # 5. Собираем записи в список кортежей
+    records = list(zip(names, phones))
+
+    # 6. Создаем две версии: случайную и отсортированную
+    records_shuffled = records.copy()          # уже случайный порядок после shuffle
+    records_sorted = sorted(records, key=lambda x: x[0])  # сортировка по имени
+
+    return records_shuffled, records_sorted
+
+def print_sample(records, title, count=10):
+    """Вспомогательная функция: печатает первые count записей."""
+    print(f"\n{title} (первые {count} записей):")
+    for name, phone in records[:count]:
+        print(f"  {name}: {phone}")
+
+# ========== Демонстрация работы ==========
+if __name__ == "__main__":
+    # Фиксируем seed для воспроизводимости результатов
+    random.seed(42)
+
+    # Генерируем данные: N = 10000, доля коллизий 10%
+    N = 10000
+    shuffled, sorted_data = generate_test_data(N, duplicate_names_ratio=0.1)
+
+    # Выводим статистику и примеры
+    print(f"Сгенерировано {N} записей.")
+    print(f"Доля имен с повторениями (коллизиями): ~10%")
+
+    # Показываем несколько примеров из каждого набора
+    print_sample(shuffled, "Случайный порядок")
+    print_sample(sorted_data, "Отсортированный порядок")
+
+    # Дополнительно: проверка, что в отсортированном порядке имена действительно упорядочены
+    first_five_sorted = [name for name, _ in sorted_data[:5]]
+    print(f"\nПервые 5 имен в отсортированном наборе: {first_five_sorted}")
+    # Ожидается: ['Common_000', 'Common_001', ...] или 'User_...' — лексикографически
+
+    # Проверка наличия коллизий (повторяющихся имен)
+    unique_names_in_shuffled = set(name for name, _ in shuffled)
+    print(f"\nУникальных имен в случайном наборе: {len(unique_names_in_shuffled)}")
+    print(f"(меньше {N} из-за повторений для коллизий)")
+
+    # Сохраняем в файлы (опционально, для отладки)
+    # import csv
+    # with open("docs/data/records_shuffled.csv", "w") as f:
+    #     writer = csv.writer(f)
+    #     writer.writerows(shuffled)
+    # with open("docs/data/records_sorted.csv", "w") as f:
+    #     writer = csv.writer(f)
+    #     writer.writerows(sorted_data)
+