diff --git a/lab2/csv_to_tex.py b/lab2/csv_to_tex.py new file mode 100644 index 0000000..0934903 --- /dev/null +++ b/lab2/csv_to_tex.py @@ -0,0 +1,243 @@ +""" +Скрипт для конвертации результатов экспериментов из CSV в LaTeX таблицы. + +Этот скрипт автоматически сканирует папку experiments/, находит все подпапки +с файлами results.csv, парсит данные экспериментов и генерирует LaTeX код +таблиц в формате, готовом для вставки в отчёт. + +Структура входных данных: +- experiments/N/results.csv, где N - размер популяции +- CSV содержит результаты экспериментов с различными параметрами Pc и Pm +- Значения в формате "X.Y (Z)" где X.Y - время выполнения, Z - количество итераций +- "—" для отсутствующих данных + +Выходной файл: tables.tex с готовым LaTeX кодом всех таблиц. +Лучший результат по времени выполнения в каждой таблице выделяется жирным. +""" + +import re +from pathlib import Path + + +def parse_csv_file(csv_path: str) -> tuple[str, list[list[str]]]: + """ + Парсит CSV файл с результатами эксперимента. + + Args: + csv_path: Путь к CSV файлу + + Returns: + Tuple с заголовком и данными таблицы + """ + with open(csv_path, "r", encoding="utf-8") as file: + lines = file.readlines() + + # Удаляем пустые строки и берём только строки с данными + clean_lines = [line.strip() for line in lines if line.strip()] + + # Первая строка - заголовки + header = clean_lines[0] + + # Остальные строки - данные + data_lines = clean_lines[1:] + + # Парсим данные + data_rows = [] + for line in data_lines: + parts = line.split(",") + if len(parts) >= 6: # Pc + 5 значений Pm + data_rows.append(parts) + + return header, data_rows + + +def extract_time_value(value: str) -> float | None: + """ + Извлекает значение времени из строки формата "X.Y (Z)". + + Args: + value: Строка с результатом + + Returns: + Время выполнения как float или None если значение пустое + """ + value = value.strip() + if value == "—" or value == "" or value == "–": + return None + + # Ищем паттерн "число.число (число)" + match = re.match(r"(\d+\.?\d*)\s*\(", value) + if match: + return float(match.group(1)) + + return None + + +def find_best_time(data_rows: list[list[str]]) -> float | None: + """ + Находит минимальное время выполнения среди всех значений в таблице. + + Args: + data_rows: Строки данных таблицы + + Returns: + Минимальное время или None если нет валидных значений + """ + min_time = None + + for row in data_rows: + for i in range(1, min(6, len(row))): # Пропускаем первую колонку (Pc) + time_value = extract_time_value(row[i]) + if time_value is not None: + if min_time is None or time_value < min_time: + min_time = time_value + + return min_time + + +def format_value(value: str, best_time: float | None = None) -> str: + """ + Форматирует значение для LaTeX таблицы, выделяя лучший результат жирным. + + Args: + value: Строковое значение из CSV + best_time: Лучшее время в таблице для сравнения + + Returns: + Отформатированное значение для LaTeX + """ + value = value.strip() + if value == "—" or value == "" or value == "–": + return "—" + + # Проверяем, является ли это лучшим результатом + current_time = extract_time_value(value) + if ( + current_time is not None + and best_time is not None + and abs(current_time - best_time) < 0.001 + ): + return f"\\textbf{{{value}}}" + + return value + + +def generate_latex_table(n: str, header: str, data_rows: list[list[str]]) -> str: + """ + Генерирует LaTeX код таблицы. + + Args: + n: Размер популяции + header: Заголовок таблицы + data_rows: Строки данных + + Returns: + LaTeX код таблицы + """ + # Находим лучшее время в таблице + best_time = find_best_time(data_rows) + + # Извлекаем заголовки колонок из header + header_parts = header.split(",") + pm_values = header_parts[1:] # Пропускаем "Pc \ Pm" + + latex_code = f""" \\begin{{table}}[h!] + \\centering + \\small + \\caption{{Результаты для $N = {n}$}} + \\begin{{tabularx}}{{\\linewidth}}{{l *{{5}}{{Y}}}} + \\toprule + $\\mathbf{{P_c \\;\\backslash\\; P_m}}$""" + + # Добавляем заголовки Pm + for pm in pm_values: + latex_code += f" & \\textbf{{{pm.strip()}}}" + + latex_code += " \\\\\n \\midrule\n" + + # Добавляем строки данных + for row in data_rows: + pc_value = row[0].strip() + latex_code += f" \\textbf{{{pc_value}}}" + + # Добавляем значения для каждого Pm + for i in range(1, min(6, len(row))): # Максимум 5 колонок Pm + value = format_value(row[i], best_time) + latex_code += f" & {value}" + + # Заполняем недостающие колонки если их меньше 5 + for i in range(len(row) - 1, 5): + latex_code += " & —" + + latex_code += " \\\\\n" + + latex_code += f""" \\bottomrule + \\end{{tabularx}} + \\label{{tab:pc_pm_results_{n}}} + \\end{{table}}""" + + return latex_code + + +def main(): + """Основная функция скрипта.""" + experiments_path = Path("experiments") + + if not experiments_path.exists(): + print("Папка experiments не найдена!") + return + + tables = [] + + # Сканируем все подпапки в experiments, сортируем по числовому значению N + subdirs = [ + subdir + for subdir in experiments_path.iterdir() + if subdir.is_dir() and subdir.name.isdigit() + ] + subdirs.sort(key=lambda x: int(x.name)) + + for subdir in subdirs: + n = subdir.name + csv_file = subdir / "results.csv" + + if csv_file.exists(): + print(f"Обрабатываем {csv_file}...") + + try: + header, data_rows = parse_csv_file(str(csv_file)) + best_time = find_best_time(data_rows) + latex_table = generate_latex_table(n, header, data_rows) + tables.append(latex_table) + print(f"✓ Таблица для N={n} готова (лучшее время: {best_time})") + + except Exception as e: + print(f"✗ Ошибка при обработке {csv_file}: {e}") + else: + print(f"✗ Файл {csv_file} не найден") + + # Сохраняем все таблицы в файл + if tables: + with open("tables.tex", "w", encoding="utf-8") as f: + f.write("% Автоматически сгенерированные LaTeX таблицы\n") + f.write( + "% Лучший результат по времени выполнения в каждой таблице выделен жирным\n" + ) + f.write("% Убедитесь, что подключен \\usepackage{tabularx}\n") + f.write( + "% Используйте \\newcolumntype{Y}{>{\\centering\\arraybackslash}X} перед таблицами\n\n" + ) + + for i, table in enumerate(tables): + if i > 0: + f.write("\n \n") + f.write(table + "\n") + + print(f"\n✓ Все таблицы сохранены в файл 'tables.tex'") + print(f"Сгенерировано таблиц: {len(tables)}") + else: + print("Не найдено данных для генерации таблиц!") + + +if __name__ == "__main__": + main() diff --git a/lab2/report/report.tex b/lab2/report/report.tex index 755777d..d0d1fdb 100644 --- a/lab2/report/report.tex +++ b/lab2/report/report.tex @@ -467,7 +467,7 @@ \item $p_m = 0.001, 0.01, 0.05, 0.1, 0.2$ -- вероятность мутации. \end{itemize} - Результаты измерений представлены в таблицах \ref{tab:pc_pm_results}--\ref{tab:pc_pm_results4}. В ячейках указано усредненное время в миллисекундах нахождения минимума функции. В скобках указано усредненное количество поколений, за которое было найдено решение. Каждый эксперимент запускался 30 раз. Если в ячейке стоит прочерк, то это означает, что решение не было найдено за 200 поколений. Лучшее значение по времени выполнения для каждого размера популяции выделено жирным шрифтом. + Результаты измерений представлены в таблицах \ref{tab:pc_pm_results_10}--\ref{tab:pc_pm_results_50}. В ячейках указано усредненное время в миллисекундах нахождения минимума функции. В скобках указано усредненное количество поколений, за которое было найдено решение. Каждый эксперимент запускался 30 раз. Если в ячейке стоит прочерк, то это означает, что решение не было найдено за 200 поколений. Лучшее значение по времени выполнения для каждого размера популяции выделено жирным шрифтом. \newcolumntype{Y}{>{\centering\arraybackslash}X} @@ -479,17 +479,18 @@ \toprule $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\ \midrule - \textbf{0.3} & 11.5 (167) & 8.4 (123) & 5.4 (78) & 4.9 (71) & 3.3 (48) \\ - \textbf{0.4} & 10.1 (144) & 7.1 (104) & 6.3 (92) & 4.7 (67) & 4.7 (67) \\ - \textbf{0.5} & 11.4 (168) & 7.7 (112) & 5.4 (79) & 6.1 (83) & \textbf{3.1 (44)} \\ - \textbf{0.6} & 11.0 (160) & 6.7 (97) & 4.9 (70) & 4.7 (67) & 5.3 (74) \\ - \textbf{0.7} & 12.1 (174) & 9.3 (135) & 3.7 (52) & 4.7 (67) & 6.5 (92) \\ - \textbf{0.8} & 8.7 (126) & 8.3 (119) & 3.9 (57) & 7.9 (113)& 4.4 (61) \\ + \textbf{0.3} & — & — & 8.9 (87) & 5.3 (46) & — \\ + \textbf{0.4} & — & — & 19.1 (127) & 14.2 (111) & 2.9 (24) \\ + \textbf{0.5} & — & — & 13.3 (117) & 13.7 (123) & 10.1 (74) \\ + \textbf{0.6} & — & — & 7.8 (68) & 14.4 (100) & 7.5 (57) \\ + \textbf{0.7} & — & 6.9 (59) & — & \textbf{1.1 (9)} & — \\ + \textbf{0.8} & — & — & — & 5.4 (41) & — \\ \bottomrule \end{tabularx} - \label{tab:pc_pm_results} + \label{tab:pc_pm_results_10} \end{table} - + + \begin{table}[h!] \centering \small @@ -498,17 +499,18 @@ \toprule $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\ \midrule - \textbf{0.3} & 14.7 (111) & 8.2 (62) & 4.9 (37) & 4.7 (35) & 8.7 (63) \\ - \textbf{0.4} & 12.8 (95) & 7.3 (54) & 4.7 (35) & 4.3 (32) & 8.2 (61) \\ - \textbf{0.5} & 10.5 (78) & 5.4 (40) & \textbf{2.2 (16)} & 5.5 (40) & 12.1 (89) \\ - \textbf{0.6} & 14.0 (103) & 6.5 (48) & 3.4 (25) & 4.0 (30) & 14.0 (87) \\ - \textbf{0.7} & 11.5 (84) & 6.2 (46) & 3.0 (22) & 3.2 (24) & 11.6 (83) \\ - \textbf{0.8} & 9.2 (64) & 5.8 (41) & 2.5 (18) & 3.0 (22) & 11.2 (78) \\ + \textbf{0.3} & — & 3.2 (17) & 11.8 (55) & — & — \\ + \textbf{0.4} & — & 2.6 (11) & 4.8 (22) & 17.7 (85) & — \\ + \textbf{0.5} & \textbf{1.9 (10)} & — & 29.0 (137) & — & — \\ + \textbf{0.6} & — & 2.7 (13) & 17.6 (81) & 35.7 (157) & — \\ + \textbf{0.7} & — & 2.6 (13) & 9.1 (38) & 28.3 (119) & — \\ + \textbf{0.8} & — & 17.6 (76) & 13.7 (57) & 23.4 (95) & — \\ \bottomrule \end{tabularx} - \label{tab:pc_pm_results2} + \label{tab:pc_pm_results_25} \end{table} - + + \begin{table}[h!] \centering \small @@ -517,16 +519,18 @@ \toprule $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\ \midrule - \textbf{0.3} & 6.1 (26) & 5.2 (22) & 6.3 (26) & 11.6 (48) & 40.2 (147) \\ - \textbf{0.4} & 6.1 (26) & 4.5 (19) & 5.2 (22) & 9.8 (40) & 37.2 (149) \\ - \textbf{0.5} & 10.5 (44) & 4.9 (20) & 7.6 (28) & 17.1 (65) & 36.2 (144) \\ - \textbf{0.6} & 7.5 (31) & \textbf{4.6 (19)} & 5.6 (23) & 18.8 (76) & 42.0 (158) \\ - \textbf{0.7} & 7.6 (31) & 4.7 (20) & 7.6 (31) & 13.9 (55) & 34.3 (136) \\ - \textbf{0.8} & 10.8 (44) & 5.0 (21) & 6.1 (24) & 13.9 (56) & 36.5 (145) \\ + \textbf{0.3} & 5.6 (19) & 4.7 (15) & — & — & — \\ + \textbf{0.4} & \textbf{3.3 (11)} & 48.7 (148) & — & — & — \\ + \textbf{0.5} & 4.0 (12) & 8.0 (24) & 56.5 (151) & — & — \\ + \textbf{0.6} & 3.6 (10) & 4.9 (14) & 29.3 (77) & — & — \\ + \textbf{0.7} & 3.9 (11) & 36.5 (87) & 44.2 (107) & — & — \\ + \textbf{0.8} & — & 76.4 (189) & 17.3 (41) & — & — \\ \bottomrule \end{tabularx} - \label{tab:pc_pm_results3} + \label{tab:pc_pm_results_50} \end{table} + + \begin{table}[h!] \centering \small @@ -535,16 +539,17 @@ \toprule $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\ \midrule - \textbf{0.3} & \textbf{7.6 (16)} & 9.5 (21) & 29.0 (60) & 62.9 (128) & -- \\ - \textbf{0.4} & 8.0 (17) & 9.6 (21) & 31.5 (68) & 56.6 (120) & -- \\ - \textbf{0.5} & 9.1 (20) & 9.2 (20) & 22.6 (48) & 59.4 (124) & -- \\ - \textbf{0.6} & 17.8 (38) & 12.3 (26) & 30.0 (64) & 61.1 (128) & 95.3 (196) \\ - \textbf{0.7} & 10.0 (22) & 14.3 (31) & 30.3 (64) & 49.1 (103) & -- \\ - \textbf{0.8} & 16.4 (34) & 12.1 (25) & 31.4 (64) & 54.9 (114) & -- \\ + \textbf{0.3} & 7.8 (14) & 12.6 (22) & — & — & — \\ + \textbf{0.4} & — & 14.9 (25) & — & — & — \\ + \textbf{0.5} & 7.3 (12) & 10.9 (17) & — & — & — \\ + \textbf{0.6} & 8.4 (13) & 12.4 (16) & — & — & — \\ + \textbf{0.7} & 9.9 (14) & 11.1 (15) & — & — & — \\ + \textbf{0.8} & \textbf{7.0 (10)} & 28.4 (38) & — & — & — \\ \bottomrule \end{tabularx} - \label{tab:pc_pm_results4} + \label{tab:pc_pm_results_100} \end{table} + \newpage \phantom{text}