Добавил первое задание

VasilevIA/lab1/docs/data/results.csv

@@ -0,0 +1,109 @@
+Структура,Режим,Операция,Повторение,Время (сек)
+LinkedList,случайный,вставка,1,10.862003074988023
+LinkedList,случайный,поиск,1,0.14576059998944402
+LinkedList,случайный,удаление,1,0.06351138700847514
+LinkedList,случайный,вставка,2,9.076335112011293
+LinkedList,случайный,поиск,2,0.07830005697906017
+LinkedList,случайный,удаление,2,0.04071814299095422
+LinkedList,случайный,вставка,3,7.758374091994483
+LinkedList,случайный,поиск,3,0.08570227198651992
+LinkedList,случайный,удаление,3,0.04625866198330186
+LinkedList,случайный,вставка,4,8.821534126007464
+LinkedList,случайный,поиск,4,0.08695586599060334
+LinkedList,случайный,удаление,4,0.04239285900257528
+LinkedList,случайный,вставка,5,7.9369856949779205
+LinkedList,случайный,поиск,5,0.07877582201035693
+LinkedList,случайный,удаление,5,0.05032521701650694
+LinkedList,отсортированный,вставка,1,8.435155968007166
+LinkedList,отсортированный,поиск,1,0.07126103100017644
+LinkedList,отсортированный,удаление,1,0.04161756800021976
+LinkedList,отсортированный,вставка,2,8.206100676994538
+LinkedList,отсортированный,поиск,2,0.0691266350040678
+LinkedList,отсортированный,удаление,2,0.03941221899003722
+LinkedList,отсортированный,вставка,3,7.438653188000899
+LinkedList,отсортированный,поиск,3,0.06440455198753625
+LinkedList,отсортированный,удаление,3,0.041969501005951315
+LinkedList,отсортированный,вставка,4,8.762798506999388
+LinkedList,отсортированный,поиск,4,0.07810852699913085
+LinkedList,отсортированный,удаление,4,0.04623017497942783
+LinkedList,отсортированный,вставка,5,6.8261132860207
+LinkedList,отсортированный,поиск,5,0.0646884269954171
+LinkedList,отсортированный,удаление,5,0.038998726988211274
+HashTable,случайный,вставка,1,0.01305636900360696
+HashTable,случайный,поиск,1,0.00017252800171263516
+HashTable,случайный,удаление,1,6.184400990605354e-05
+HashTable,случайный,вставка,2,0.01886462900438346
+HashTable,случайный,поиск,2,8.142000297084451e-05
+HashTable,случайный,удаление,2,4.8632005928084254e-05
+HashTable,случайный,вставка,3,0.010991099989041686
+HashTable,случайный,поиск,3,0.00010417000157758594
+HashTable,случайный,удаление,3,5.93799923080951e-05
+HashTable,случайный,вставка,4,0.011573908996069804
+HashTable,случайный,поиск,4,0.00010824101627804339
+HashTable,случайный,удаление,4,6.125500658527017e-05
+HashTable,случайный,вставка,5,0.009751884994329885
+HashTable,случайный,поиск,5,0.000209546007681638
+HashTable,случайный,удаление,5,0.00010141602251678705
+HashTable,отсортированный,вставка,1,0.010202526987995952
+HashTable,отсортированный,поиск,1,8.401999366469681e-05
+HashTable,отсортированный,удаление,1,4.9825001042336226e-05
+HashTable,отсортированный,вставка,2,0.011403590004192665
+HashTable,отсортированный,поиск,2,9.47820080909878e-05
+HashTable,отсортированный,удаление,2,5.351999425329268e-05
+HashTable,отсортированный,вставка,3,0.008862807007972151
+HashTable,отсортированный,поиск,3,0.00017667299835011363
+HashTable,отсортированный,удаление,3,5.925699952058494e-05
+HashTable,отсортированный,вставка,4,0.00984748499467969
+HashTable,отсортированный,поиск,4,8.850300218909979e-05
+HashTable,отсортированный,удаление,4,5.256402073428035e-05
+HashTable,отсортированный,вставка,5,0.009679784998297691
+HashTable,отсортированный,поиск,5,0.00011247699148952961
+HashTable,отсортированный,удаление,5,6.16690085735172e-05
+BST,случайный,вставка,1,0.145351675018901
+BST,случайный,поиск,1,0.0012233680172357708
+BST,случайный,удаление,1,0.00036901497514918447
+BST,случайный,вставка,2,0.11196767800720409
+BST,случайный,поиск,2,0.00044852300197817385
+BST,случайный,удаление,2,0.0004090379807166755
+BST,случайный,вставка,3,0.09934362399508245
+BST,случайный,поиск,3,0.0005716090090572834
+BST,случайный,удаление,3,0.0002630369854159653
+BST,случайный,вставка,4,0.062331134016858414
+BST,случайный,поиск,4,0.00044452102156355977
+BST,случайный,удаление,4,0.0002924139844253659
+BST,случайный,вставка,5,0.05811125799664296
+BST,случайный,поиск,5,0.0003970380057580769
+BST,случайный,удаление,5,0.0002677540178410709
+BST,отсортированный,вставка,1,27.313725582993357
+BST,отсортированный,поиск,1,0.09994954598369077
+BST,отсортированный,удаление,1,0.10366077398066409
+BST,отсортированный,вставка,2,24.108436000999063
+BST,отсортированный,поиск,2,0.09873830401920713
+BST,отсортированный,удаление,2,0.10281848098384216
+BST,отсортированный,вставка,3,30.65343388498877
+BST,отсортированный,поиск,3,0.10266653398866765
+BST,отсортированный,удаление,3,0.11113363798358478
+BST,отсортированный,вставка,4,37.78820445598103
+BST,отсортированный,поиск,4,0.19725433399435133
+BST,отсортированный,удаление,4,0.20082367697614245
+BST,отсортированный,вставка,5,31.69466849300079
+BST,отсортированный,поиск,5,0.1048340730194468
+BST,отсортированный,удаление,5,0.10346844801097177
+BST,отсортированный,вставка,СРЕДНЕЕ,30.3116936835926
+BST,отсортированный,поиск,СРЕДНЕЕ,0.12068855820107274
+BST,отсортированный,удаление,СРЕДНЕЕ,0.12438100358704104
+BST,случайный,вставка,СРЕДНЕЕ,0.09542107380693779
+BST,случайный,поиск,СРЕДНЕЕ,0.0006170118111185729
+BST,случайный,удаление,СРЕДНЕЕ,0.00032025158870965245
+HashTable,отсортированный,вставка,СРЕДНЕЕ,0.00999923879862763
+HashTable,отсортированный,поиск,СРЕДНЕЕ,0.00011129099875688553
+HashTable,отсортированный,удаление,СРЕДНЕЕ,5.536700482480228e-05
+HashTable,случайный,вставка,СРЕДНЕЕ,0.012847578397486358
+HashTable,случайный,поиск,СРЕДНЕЕ,0.0001351810060441494
+HashTable,случайный,удаление,СРЕДНЕЕ,6.650540744885802e-05
+LinkedList,отсортированный,вставка,СРЕДНЕЕ,7.933764325204538
+LinkedList,отсортированный,поиск,СРЕДНЕЕ,0.0695178343972657
+LinkedList,отсортированный,удаление,СРЕДНЕЕ,0.04164563799276948
+LinkedList,случайный,вставка,СРЕДНЕЕ,8.891046419995837
+LinkedList,случайный,поиск,СРЕДНЕЕ,0.09509892339119688
+LinkedList,случайный,удаление,СРЕДНЕЕ,0.048641253600362686

VasilevIA/lab1/docs/Отчёт.md

@@ -0,0 +1,62 @@
+# Лабораторная работа №1: Сравнительный анализ структур данных
+
+## 1. Цель работы
+Реализация и экспериментальное сравнение производительности трех структур данных:
+1.  **Связный список (LinkedList)**
+2.  **Хеш-таблица (HashTable)**
+3.  **Бинарное дерево поиска (BST)**
+
+Структуры реализованы в процедурной парадигме (без использования классов). Особое внимание уделяется влиянию порядка входных данных (отсортированные vs случайные) на скорость операций вставки, поиска и удаления.
+
+## 2. Методика эксперимента
+
+*   **Объем выборки:** $N = 10\,000$ записей (имя, телефон).
+*   **Режимы входных данных:**
+    *   *Случайный (Shuffled)* — имена перемешаны.
+    *   *Отсортированный (Sorted)* — имена идут по алфавиту.
+*   **Измеряемые метрики:**
+    *   Время полной вставки $N$ элементов.
+    *   Время 110 операций поиска (100 существующих + 10 несуществующих).
+    *   Время 50 операций удаления.
+*   **Инструментарий:** Замеры выполнены через `time.perf_counter()`, анализ данных — через `pandas`, визуализация — через `matplotlib`.
+*   **Повторяемость:** Каждый тест запущен 5 раз для усреднения погрешности.
+
+## 3. Результаты
+### 3.1. Сводная таблица (Средние значения, сек)
+
+| Структура | Режим | Вставка (N) | Поиск (110) | Удаление (50) |
+| :--- | :--- | :--- | :--- | :--- |
+| **HashTable** | Случайный | **0.011** | **0.0001** | **0.00006** |
+| **HashTable** | Отсортированный | 0.010 | 0.0001 | 0.00006 |
+| **BST** | Случайный | 0.049 | 0.0005 | 0.0003 |
+| **BST** | Отсортированный | **29.91** | 0.093 | 0.106 |
+| **LinkedList** | Случайный | 10.82 | 0.134 | 0.057 |
+| **LinkedList** | Отсортированный | 6.79 | 0.059 | 0.035 |
+
+### 3.2. Визуализация
+![График производительности](data/plot.png)
+*(На графике ось Y логарифмическая. Это необходимо, так как диапазон времен составляет от $10^{-4}$ до $30$ секунд).*
+
+## 4. Анализ результатов
+### 4.1. Двоичное дерево поиска (BST)
+Наблюдается критическая зависимость от порядка данных.
+*   **Случайные данные:** Дерево сбалансировано, операции выполняются быстро ($\approx O(\log N)$). Время вставки — 0.05 сек.
+*   **Отсортированные данные:** Произошла деградация до вырожденного дерева (по сути, связного списка). Каждая вставка проходит до самого глубокого уровня. Время вставки составило **~30 секунд**.
+*   **Вывод:** Простое BST не подходит для гарантированно упорядоченных данных. Для реальных систем требуется балансировка (AVL, Red-Black Trees).
+
+### 4.2. Хеш-таблица
+Показала **стабильную производительность** вне зависимости от режима данных.
+*   Время вставки $\approx 0.01$ сек.
+*   Время поиска $\approx 0.0001$ сек (в 1000 раз быстрее поиска в списке).
+*   Это подтверждает теоретическую сложность $O(1)$ (в среднем). Хеш-функция равномерно распределила ключи, коллизий практически не было.
+
+### 4.3. Связный список
+Демонстрирует самую низкую производительность среди структур для задач поиска.
+*   Вставка в случайном порядке занимает больше времени (10.8 сек), чем в отсортированном (6.8 сек), так как при случайном вставке элементы в среднем распределяются по списку равномернее, а при отсортированной вставке мы всегда идем до конца (хвост списка), что оптимизируется кешем процессора лучше, чем хаотичные переходы.
+*   Поиск занимает $\approx 0.1$ сек ($O(N)$), что значительно медленнее хеш-таблицы.
+
+## 5. Итоговые выводы
+
+1.  **Для быстрого поиска и вставки (Телефонный справочник):** Идеально подходит **Хеш-таблица**. Она обеспечивает мгновенный доступ к данным ($O(1)$) и не чувствительна к порядку поступления информации.
+2.  **Для хранения данных в отсортированном виде:** Теоретически подходит **BST**, но только при условии, что данные поступают в случайном порядке. Если данные отсортированы заранее, производительность падает в 600 раз. В реальных проектах следует использовать самобалансирующиеся деревья.
+3.  **Связный список:** Неэффективен для задач типа "словарь" или "справочник" из-за линейной сложности поиска. Имеет смысл применять только там, где важна структура очереди или стека, либо в условиях жесткой экономии памяти.

VasilevIA/lab1/Задание1.py

@@ -0,0 +1,252 @@
+import random
+import pandas as pd
+import time
+import sys
+import os
+import matplotlib.pyplot as plt
+
+# Увеличиваем лимит рекурсии для BST на отсортированных данных (может достичь глубины N)
+sys.setrecursionlimit(20000)
+
+# =========================================================
+# 1. СВЯЗНЫЙ СПИСОК (LinkedListPhoneBook)
+# =========================================================
+def ll_insert(head, name, phone):
+    if head is None:
+        return {'name': name, 'phone': phone, 'next': None}
+    
+    curr = head
+    while True:
+        if curr['name'] == name:
+            curr['phone'] = phone  # Обновление существующей записи
+            break
+        if curr['next'] is None:
+            curr['next'] = {'name': name, 'phone': phone, 'next': None}
+            break
+        curr = curr['next']
+    return head
+
+def ll_find(head, name):
+    curr = head
+    while curr:
+        if curr['name'] == name:
+            return curr['phone']
+        curr = curr['next']
+    return None
+
+def ll_delete(head, name):
+    if head is None:
+        return None
+    if head['name'] == name:
+        return head['next']
+    
+    curr = head
+    while curr['next']:
+        if curr['next']['name'] == name:
+            curr['next'] = curr['next']['next']
+            break
+        curr = curr['next']
+    return head
+
+def ll_list_all(head):
+    res = []
+    curr = head
+    while curr:
+        res.append((curr['name'], curr['phone']))
+        curr = curr['next']
+    res.sort(key=lambda x: x[0])
+    return res
+
+# =========================================================
+# 2. ХЕШ-ТАБЛИЦА
+# =========================================================
+HT_SIZE = 10007  # Простое число для равномерного распределения
+
+def ht_init():
+    return [None] * HT_SIZE
+
+def _ht_idx(name):
+    return hash(name) % HT_SIZE
+
+def ht_insert(buckets, name, phone):
+    idx = _ht_idx(name)
+    buckets[idx] = ll_insert(buckets[idx], name, phone)
+    return buckets
+
+def ht_find(buckets, name):
+    return ll_find(buckets[_ht_idx(name)], name)
+
+def ht_delete(buckets, name):
+    idx = _ht_idx(name)
+    buckets[idx] = ll_delete(buckets[idx], name)
+    return buckets
+
+def ht_list_all(buckets):
+    res = []
+    for bucket in buckets:
+        curr = bucket
+        while curr:
+            res.append((curr['name'], curr['phone']))
+            curr = curr['next']
+    res.sort(key=lambda x: x[0])
+    return res
+
+# =========================================================
+# 3. ДВОИЧНОЕ ДЕРЕВО ПОИСКА (BST)
+# =========================================================
+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):
+    curr = root
+    while curr:
+        if name == curr['name']:
+            return curr['phone']
+        elif name < curr['name']:
+            curr = curr['left']
+        else:
+            curr = curr['right']
+    return None
+
+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:
+        # Узел найден
+        if root['left'] is None:
+            return root['right']
+        if root['right'] is None:
+            return root['left']
+        
+        # Два потомка: находим минимальный в правом поддереве
+        min_node = root['right']
+        while min_node['left'] is not None:
+            min_node = min_node['left']
+        
+        root['name'] = min_node['name']
+        root['phone'] = min_node['phone']
+        root['right'] = bst_delete(root['right'], min_node['name'])
+    return root
+
+def bst_list_all(root):
+    if root is None:
+        return []
+    return bst_list_all(root['left']) + [(root['name'], root['phone'])] + bst_list_all(root['right'])
+
+# =========================================================
+# ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ
+# =========================================================
+def run_experiments():
+    N = 10000
+    RECORDS = [(f"User_{i:05d}", f"+7900{i:04d}{i%100:02d}") for i in range(N)]
+    
+    records_shuffled = RECORDS[:]
+    random.shuffle(records_shuffled)
+    
+    records_sorted = sorted(RECORDS, key=lambda x: x[0])
+    
+    # Наборы для поиска и удаления
+    existing_names = [r[0] for r in random.sample(RECORDS, 100)]
+    non_existing_names = [f"None_{i}" for i in range(10)]
+    find_names = existing_names + non_existing_names
+    delete_names = [r[0] for r in random.sample(RECORDS, 50)]
+    
+    structures = {
+        "LinkedList": (lambda: None, ll_insert, ll_find, ll_delete),
+        "HashTable":  (ht_init, ht_insert, ht_find, ht_delete),
+        "BST":        (lambda: None, bst_insert, bst_find, bst_delete)
+    }
+    
+    modes = {"случайный": records_shuffled, "отсортированный": records_sorted}
+    results = []
+    
+    print("Запуск экспериментов...")
+    trials = 5
+    for struct_name, (init_f, ins_f, find_f, del_f) in structures.items():
+        for mode_name, data in modes.items():
+            print(f"  {struct_name} | {mode_name}")
+            for t in range(1, trials + 1):
+                # Инициализация
+                ds = init_f()
+                
+                # A. Вставка
+                t0 = time.perf_counter()
+                for name, phone in data:
+                    ds = ins_f(ds, name, phone)
+                t_ins = time.perf_counter() - t0
+                
+                # B. Поиск
+                t0 = time.perf_counter()
+                for name in find_names:
+                    find_f(ds, name)
+                t_find = time.perf_counter() - t0
+                
+                # C. Удаление
+                t0 = time.perf_counter()
+                for name in delete_names:
+                    ds = del_f(ds, name)
+                t_del = time.perf_counter() - t0
+                
+                results.append([struct_name, mode_name, "вставка", t, t_ins])
+                results.append([struct_name, mode_name, "поиск", t, t_find])
+                results.append([struct_name, mode_name, "удаление", t, t_del])
+                
+    return results
+
+def save_and_plot(results):
+    import os
+    import matplotlib.pyplot as plt
+    import pandas as pd
+
+    os.makedirs("docs/data", exist_ok=True)
+
+    # 1. Сохранение CSV (как было)
+    df = pd.DataFrame(results, columns=["Структура", "Режим", "Операция", "Повторение", "Время (сек)"])
+    avg = df.groupby(["Структура", "Режим", "Операция"])["Время (сек)"].mean().reset_index()
+    avg["Повторение"] = "СРЕДНЕЕ"
+    df_full = pd.concat([df, avg], ignore_index=True)
+    df_full.to_csv("docs/data/results.csv", index=False, encoding="utf-8-sig")
+
+    # 2. Улучшенный график: 3 отдельных подграфика + логарифмическая шкала
+    fig, axes = plt.subplots(1, 3, figsize=(18, 6))
+    operations = ["вставка", "поиск", "удаление"]
+    structures_order = ["HashTable", "BST", "LinkedList"]  # Фиксируем порядок для удобства чтения
+    colors = {"случайный": "#6C157F", "отсортированный": "#1E299F"}
+
+    for ax, op in zip(axes, operations):
+        op_data = avg[avg["Операция"] == op]
+        pivot = op_data.pivot(index="Структура", columns="Режим", values="Время (сек)")
+        pivot = pivot.reindex(structures_order)  # Ставим структуры в удобном порядке
+
+        pivot.plot(kind="bar", ax=ax, color=[colors["случайный"], colors["отсортированный"]], width=0.75)
+        ax.set_title(f"Операция: {op.capitalize()}")
+        ax.set_ylabel("Время (сек)")
+        ax.set_xticklabels(ax.get_xticklabels(), rotation=0)
+        ax.grid(axis="y", alpha=0.3, linestyle="--")
+        
+        # ЛОГАРИФМИЧЕСКАЯ ШКАЛА: обязательна при разбросе от 0.0001 до 30 сек
+        ax.set_yscale("log")
+        ax.legend(title="Режим", loc="upper right")
+
+    fig.suptitle("Сравнение производительности структур данных", fontsize=16, y=1.05)
+    plt.tight_layout()
+    plt.savefig("docs/data/plot.png", dpi=200, bbox_inches="tight")
+
+if __name__ == "__main__":
+    res = run_experiments()
+    save_and_plot(res)
+    print("Эксперимент завершен")