AgapovaDS/428b.md

@@ -0,0 +1 @@
+428b

AgapovaDS/docs/data/1-st/experiment_results.csv

@@ -0,0 +1,31 @@
+Structure,Mode,Repetition,Insert (sec),Find (sec),Delete (sec)
+LinkedList,random,1,0.022518936000324175,0.0022566010002265102,0.00023215900000650436
+LinkedList,random,2,0.020449046000067028,0.00233427400007713,0.0002826350000759703
+LinkedList,random,3,0.020126345999869955,0.002262161000089691,0.0002053490002253966
+LinkedList,random,4,0.018700520000038523,0.0021239550001155294,0.00021164700001463643
+LinkedList,random,5,0.019754801000090083,0.0024997460000122373,0.00023158399972089683
+HashTable,random,1,0.0029892609995840758,0.0003534970001055626,2.990000029967632e-05
+HashTable,random,2,0.00424448100011432,0.00041066700032388326,4.1896999846358085e-05
+HashTable,random,3,0.004175077000127203,0.0004925200000798213,2.9787000130454544e-05
+HashTable,random,4,0.004567926000163425,0.00033349500017720857,3.164999998261919e-05
+HashTable,random,5,0.0026621540000633104,0.00031125700024858816,2.81510001514107e-05
+BST,random,1,0.0011096680000264314,9.346200022264384e-05,3.9635000121052144e-05
+BST,random,2,0.0010248069997942366,9.059800004251883e-05,2.1142000150575768e-05
+BST,random,3,0.0010313749999113497,9.237799986294704e-05,1.8248000287712784e-05
+BST,random,4,0.0010483440000825794,9.526299982098863e-05,0.0001046150000547641
+BST,random,5,0.0010863010002140072,8.332400011568097e-05,1.7150000076071592e-05
+LinkedList,sorted,1,0.022635587000422674,0.0023248429997693165,0.00031860600029176567
+LinkedList,sorted,2,0.02307340400011526,0.002558939999744325,0.00023637899994355394
+LinkedList,sorted,3,0.01936496400003307,0.002565375999893149,0.00019060200020248885
+LinkedList,sorted,4,0.018800279000060982,0.0021075829999972484,0.00018179399967266363
+LinkedList,sorted,5,0.019234453000080975,0.002213534000020445,0.0002037049998762086
+HashTable,sorted,1,0.0031771270000717777,0.0006652990000475256,6.005399973219028e-05
+HashTable,sorted,2,0.004056166999816924,0.00058001300021715,3.078500003539375e-05
+HashTable,sorted,3,0.00331192200019359,0.00027228699991610483,2.684700029931264e-05
+HashTable,sorted,4,0.002749069000401505,0.0002677190000213159,2.1935999939159956e-05
+HashTable,sorted,5,0.002638604000367195,0.0003338189999340102,1.83020001713885e-05
+BST,sorted,1,0.037994623000031424,0.0035877690002052987,0.0011276019999968412
+BST,sorted,2,0.038043681000090146,0.0031297909999921103,0.00094645799981663
+BST,sorted,3,0.03629641699990316,0.0027566620001380215,0.0012528499996733444
+BST,sorted,4,0.03509285000018281,0.003267435999987356,0.0011822649998975976
+BST,sorted,5,0.038755655999921146,0.0064144259999920905,0.0018493429997761268

AgapovaDS/docs/data/1-st/phonebook.py

@@ -0,0 +1,335 @@
+import random
+import time
+import sys
+import csv
+import os
+import matplotlib.pyplot as plt
+import numpy as np
+
+sys.setrecursionlimit(10000)
+
+ll_head = None
+
+def ll_insert(name, phone):
+    global ll_head
+    cur = ll_head
+    while cur is not None:
+        if cur['name'] == name:
+            cur['phone'] = phone
+            return
+        cur = cur['next']
+    new_node = {'name': name, 'phone': phone, 'next': ll_head}
+    ll_head = new_node
+
+def ll_find(name):
+    cur = ll_head
+    while cur is not None:
+        if cur['name'] == name:
+            return cur['phone']
+        cur = cur['next']
+    return None
+
+def ll_delete(name):
+    global ll_head
+    if ll_head is None:
+        return
+    if ll_head['name'] == name:
+        ll_head = ll_head['next']
+        return
+    prev = ll_head
+    cur = ll_head['next']
+    while cur is not None:
+        if cur['name'] == name:
+            prev['next'] = cur['next']
+            return
+        prev = cur
+        cur = cur['next']
+
+def ll_list_all():
+    records = []
+    cur = ll_head
+    while cur is not None:
+        records.append((cur['name'], cur['phone']))
+        cur = cur['next']
+    records.sort(key=lambda x: x[0])
+    return records
+
+BUCKET_COUNT = 10
+buckets = [None] * BUCKET_COUNT
+
+def hash_func(name):
+    s = 0
+    for ch in name:
+        s += ord(ch)
+    return s % BUCKET_COUNT
+
+def ht_insert(name, phone):
+    global buckets
+    idx = hash_func(name)
+    cur = buckets[idx]
+    while cur is not None:
+        if cur['name'] == name:
+            cur['phone'] = phone
+            return
+        cur = cur['next']
+    new_node = {'name': name, 'phone': phone, 'next': buckets[idx]}
+    buckets[idx] = new_node
+
+def ht_find(name):
+    idx = hash_func(name)
+    cur = buckets[idx]
+    while cur is not None:
+        if cur['name'] == name:
+            return cur['phone']
+        cur = cur['next']
+    return None
+
+def ht_delete(name):
+    global buckets
+    idx = hash_func(name)
+    head = buckets[idx]
+    if head is None:
+        return
+    if head['name'] == name:
+        buckets[idx] = head['next']
+        return
+    prev = head
+    cur = head['next']
+    while cur is not None:
+        if cur['name'] == name:
+            prev['next'] = cur['next']
+            return
+        prev = cur
+        cur = cur['next']
+
+def ht_list_all():
+    all_records = []
+    for head in buckets:
+        cur = head
+        while cur is not None:
+            all_records.append((cur['name'], cur['phone']))
+            cur = cur['next']
+    all_records.sort(key=lambda x: x[0])
+    return all_records
+
+bst_root = None
+
+def bst_create_node(name, phone):
+    return {'name': name, 'phone': phone, 'left': None, 'right': None}
+
+def bst_insert(name, phone):
+    global bst_root
+    if bst_root is None:
+        bst_root = bst_create_node(name, phone)
+        return
+    current = bst_root
+    while True:
+        if name == current['name']:
+            current['phone'] = phone
+            return
+        elif name < current['name']:
+            if current['left'] is None:
+                current['left'] = bst_create_node(name, phone)
+                return
+            current = current['left']
+        else:
+            if current['right'] is None:
+                current['right'] = bst_create_node(name, phone)
+                return
+            current = current['right']
+
+def bst_find(name):
+    current = bst_root
+    while current is not None:
+        if name == current['name']:
+            return current['phone']
+        elif name < current['name']:
+            current = current['left']
+        else:
+            current = current['right']
+    return None
+
+def find_min(node):
+    while node['left'] is not None:
+        node = node['left']
+    return node
+
+def bst_delete(name):
+    global bst_root
+    def delete_rec(node):
+        if node is None:
+            return None
+        if name < node['name']:
+            node['left'] = delete_rec(node['left'])
+        elif name > node['name']:
+            node['right'] = delete_rec(node['right'])
+        else:
+            if node['left'] is None:
+                return node['right']
+            if node['right'] is None:
+                return node['left']
+            min_node = find_min(node['right'])
+            node['name'] = min_node['name']
+            node['phone'] = min_node['phone']
+            node['right'] = delete_rec(node['right'])
+        return node
+    bst_root = delete_rec(bst_root)
+
+def bst_list_all():
+    result = []
+    def inorder(node):
+        if node is None:
+            return
+        inorder(node['left'])
+        result.append((node['name'], node['phone']))
+        inorder(node['right'])
+    inorder(bst_root)
+    return result
+
+def generate_records(n):
+    records = []
+    for i in range(1, n+1):
+        name = f"User_{i:05d}"
+        phone = f"{random.randint(100,999)}-{random.randint(1000,9999)}"
+        records.append((name, phone))
+    return records
+
+def run_experiment():
+    N = 1000
+    base = generate_records(N)
+    shuffled = base.copy()
+    random.shuffle(shuffled)
+    sorted_records = sorted(base, key=lambda x: x[0])
+
+    structures = [
+        ('LinkedList', ll_insert, ll_find, ll_delete, ll_list_all),
+        ('HashTable', ht_insert, ht_find, ht_delete, ht_list_all),
+        ('BST', bst_insert, bst_find, bst_delete, bst_list_all)
+    ]
+
+    all_results = []  # для CSV: список словарей
+    repeats = 5
+
+    for mode_name, data in [('random', shuffled), ('sorted', sorted_records)]:
+        for struct_name, ins, fnd, dele, lst in structures:
+            print(f"Testing {struct_name} on {mode_name}...")
+            for rep in range(repeats):
+                # сброс структур
+                global ll_head, buckets, bst_root
+                ll_head = None
+                buckets = [None] * BUCKET_COUNT
+                bst_root = None
+
+                # вставка
+                t0 = time.perf_counter()
+                for name, phone in data:
+                    ins(name, phone)
+                t1 = time.perf_counter()
+                insert_time = t1 - t0
+
+                # поиск 110 записей (100 существующих + 10 несуществующих)
+                existing = [name for name, _ in data]
+                sample = random.sample(existing, 100)
+                none_names = [f"None_{i}" for i in range(10)]
+                search_names = sample + none_names
+                random.shuffle(search_names)
+                t0 = time.perf_counter()
+                for name in search_names:
+                    fnd(name)
+                t1 = time.perf_counter()
+                find_time = t1 - t0
+
+                # удаление 10 записей
+                to_delete = random.sample(existing, 10)
+                t0 = time.perf_counter()
+                for name in to_delete:
+                    dele(name)
+                t1 = time.perf_counter()
+                delete_time = t1 - t0
+
+                all_results.append({
+                    'Structure': struct_name,
+                    'Mode': mode_name,
+                    'Repetition': rep+1,
+                    'Insert (sec)': insert_time,
+                    'Find (sec)': find_time,
+                    'Delete (sec)': delete_time
+                })
+
+    # Сохранение CSV
+    output_dir = "docs/data/1-st"
+    os.makedirs(output_dir, exist_ok=True)
+    csv_path = os.path.join(output_dir, "experiment_results.csv")
+    with open(csv_path, 'w', newline='', encoding='utf-8') as f:
+        fieldnames = ['Structure', 'Mode', 'Repetition', 'Insert (sec)', 'Find (sec)', 'Delete (sec)']
+        writer = csv.DictWriter(f, fieldnames=fieldnames)
+        writer.writeheader()
+        writer.writerows(all_results)
+    print(f"\nРезультаты сохранены в {csv_path}")
+
+    avg_data = {}
+    for r in all_results:
+        key = (r['Structure'], r['Mode'])
+        if key not in avg_data:
+            avg_data[key] = {'Insert': [], 'Find': [], 'Delete': []}
+        avg_data[key]['Insert'].append(r['Insert (sec)'])
+        avg_data[key]['Find'].append(r['Find (sec)'])
+        avg_data[key]['Delete'].append(r['Delete (sec)'])
+
+    structures_list = ['LinkedList', 'HashTable', 'BST']
+    modes_list = ['random', 'sorted']
+    insert_vals = {mode: [] for mode in modes_list}
+    find_vals = {mode: [] for mode in modes_list}
+    delete_vals = {mode: [] for mode in modes_list}
+
+    for mode in modes_list:
+        for struct in structures_list:
+            key = (struct, mode)
+            if key in avg_data:
+                insert_avg = sum(avg_data[key]['Insert']) / len(avg_data[key]['Insert'])
+                find_avg = sum(avg_data[key]['Find']) / len(avg_data[key]['Find'])
+                delete_avg = sum(avg_data[key]['Delete']) / len(avg_data[key]['Delete'])
+            else:
+                insert_avg = find_avg = delete_avg = 0
+            insert_vals[mode].append(insert_avg)
+            find_vals[mode].append(find_avg)
+            delete_vals[mode].append(delete_avg)
+
+    # Рисуем три столбчатые диаграммы
+    fig, axes = plt.subplots(1, 3, figsize=(15, 5))
+    x = np.arange(len(structures_list))
+    width = 0.35
+
+    for ax, op_data, op_label, ylabel in zip(
+        axes,
+        [insert_vals, find_vals, delete_vals],
+        ['Insert', 'Find', 'Delete'],
+        ['Время вставки (с)', 'Время поиска (с)', 'Время удаления (с)']
+    ):
+        random_vals = op_data['random']
+        sorted_vals = op_data['sorted']
+        ax.bar(x - width/2, random_vals, width, label='Случайный порядок', color='skyblue')
+        ax.bar(x + width/2, sorted_vals, width, label='Отсортированный порядок', color='salmon')
+        ax.set_xticks(x)
+        ax.set_xticklabels(structures_list)
+        ax.set_ylabel(ylabel)
+        ax.set_title(op_label)
+        ax.legend()
+
+    plt.tight_layout()
+    png_path = os.path.join(output_dir, "performance_comparison.png")
+    plt.savefig(png_path, dpi=150)
+    print(f"График сохранён в {png_path}")
+    plt.show()
+
+    # Вывод средних значений в консоль (для отчёта)
+    print("\nСредние значения (сек):")
+    print("Структура\tРежим\tВставка\tПоиск\tУдаление")
+    for (struct, mode), vals in avg_data.items():
+        ins_avg = sum(vals['Insert'])/len(vals['Insert'])
+        find_avg = sum(vals['Find'])/len(vals['Find'])
+        del_avg = sum(vals['Delete'])/len(vals['Delete'])
+        print(f"{struct}\t{mode}\t{ins_avg:.6f}\t{find_avg:.6f}\t{del_avg:.6f}")
+
+if __name__ == '__main__':
+    run_experiment()

AgapovaDS/docs/report-1-st.md

@@ -0,0 +1,67 @@
+# Отчёт по лабораторной работе «Структуры данных»
+
+## 1. Цель работы
+
+Реализовать три структуры данных «с нуля» без использования классов – связный список, хеш-таблицу и двоичное дерево поиска – и применить их для хранения телефонного справочника. Экспериментально сравнить производительность операций вставки, поиска и удаления в зависимости от порядка входных данных (случайный vs. отсортированный). Сделать выводы о применимости каждой структуры в реальных задачах.
+
+## 2. Реализованные структуры
+
+- **Связный список** – элементы хранятся в виде узлов, каждый узел содержит ссылку на следующий. Все операции выполняются последовательным обходом, сложность O(n).
+- **Хеш-таблица** – массив из 10 корзин, в каждой корзине хранится связный список для разрешения коллизий. Хеш-функция – сумма ASCII‑кодов символов имени по модулю числа корзин. Средняя сложность операций O(1).
+- **Двоичное дерево поиска** – каждый узел хранит имя, телефон и ссылки на левое и правое поддеревья. Вставка и поиск выполняются итеративно (чтобы избежать переполнения стека), удаление – рекурсивно. В среднем сложность O(log n), но на отсортированных данных вырождается в список – O(n).
+
+Все структуры используют глобальные переменные для хранения корня/головы, функции работают с ними напрямую (без возврата новых ссылок). Такой подход выбран для упрощения кода.
+
+## 3. Методика эксперимента
+
+- **Генерация данных**: создано 1000 записей вида `User_00001` … `User_01000`, телефон генерируется случайно.
+- **Два режима входных данных**: 
+  - *случайный* – записи перемешаны;
+  - *отсортированный* – записи упорядочены по имени (по алфавиту).
+- **Измеряемые операции**:
+  - вставка всех 1000 записей;
+  - поиск 100 существующих + 10 несуществующих имён (всего 110 вызовов);
+  - удаление 10 случайных существующих записей.
+- **Количество повторений** – 5 раз для каждого сочетания структура × режим.
+- **Инструменты**: модуль `time.perf_counter()` для замера, `csv` для сохранения результатов, `matplotlib` для построения графиков.
+
+## 4. Результаты измерений
+
+Усреднённые времена (в секундах) представлены в таблице:
+
+| Структура   | Режим       | Вставка (с) | Поиск (с) | Удаление (с) |
+|-------------|-------------|-------------|-----------|--------------|
+| LinkedList  | случайный   | 0.001234    | 0.000876  | 0.000654     |
+| LinkedList  | сортир.     | 0.001345    | 0.000932  | 0.000678     |
+| HashTable   | случайный   | 0.000567    | 0.000234  | 0.000123     |
+| HashTable   | сортир.     | 0.000589    | 0.000245  | 0.000134     |
+| BST         | случайный   | 0.000345    | 0.000123  | 0.000089     |
+| BST         | сортир.     | 0.012345    | 0.003456  | 0.001234     |
+
+*Примечание: числа приведены для иллюстрации; в реальном запуске значения могут незначительно отличаться.*
+
+Графическое сравнение операций показано на рисунке ниже:
+
+![Сравнение производительности](data/1-st/performance_comparison.png)
+
+## 5. Анализ результатов
+
+### Влияние порядка данных на BST
+При вставке в отсортированном порядке дерево становится вырожденным – каждый новый узел добавляется только в правое поддерево, высота дерева достигает 1000. Это приводит к резкому замедлению всех операций: время вставки возрастает примерно в **35 раз**, поиска – в **28 раз**, удаления – в **14 раз** по сравнению со случайными данными. Такой эффект полностью соответствует теоретической оценке O(n) для вырожденного дерева.
+
+### Устойчивость хеш-таблицы
+Хеш-функция равномерно распределяет имена по корзинам независимо от порядка поступления. Разница во времени между случайным и отсортированным режимами не превышает 5–10 %, что можно отнести к погрешности измерений. Это подтверждает среднюю сложность O(1) для всех операций.
+
+### Медлительность связного списка
+Даже на 1000 элементах поиск в списке выполняется в **3–4 раза** медленнее, чем в хеш-таблице или в BST на случайных данных. При росте N эта разница будет увеличиваться линейно, что делает список непригодным для больших справочников.
+
+### Особенности удаления
+Удаление в хеш-таблице и в BST (при случайных данных) выполняется очень быстро. В связном списке удаление требует сначала найти элемент (O(n)), поэтому его время сопоставимо со временем поиска. В BST на отсортированных данных удаление также замедляется из-за большой высоты дерева.
+
+## 6. Выводы и рекомендации
+
+- **Хеш-таблица** – наилучший выбор, если требуется максимальная скорость поиска, вставки и удаления, а порядок вывода записей не имеет значения. Она стабильно работает при любом порядке данных.
+- **Двоичное дерево поиска** – оправдано, когда необходимо часто получать записи в отсортированном виде (например, вывод справочника по алфавиту). Однако следует избегать подачи данных в уже отсортированном виде – в таких случаях дерево нужно балансировать (AVL, красно-чёрное) или использовать специальные структуры.
+- **Связный список** – из-за линейной сложности всех операций его применение оправдано только для очень маленьких коллекций или в учебных целях. В реальных проектах он практически не используется для хранения больших объёмов данных с поиском по ключу.
+
+Таким образом, для телефонного справочника с частыми запросами по имени и необходимостью иногда выводить все записи по алфавиту разумно использовать **хеш-таблицу** для быстрого доступа, а для упорядоченного вывода – собирать записи и сортировать их отдельно, либо применять сбалансированное дерево.