Алгоритм определения значения минимального элемента в матрице

@Vika222 · Регистрация: 01.04.2019

Студворк — интернет-сервис помощи студентам

Написать программу, реализующую алгоритм определения значения минимального элемента в матрице с использованием list, замерить время выполнения и сравнить с готовой реализацией алгоритма из библиотеки NumPy.

@udeep · 20.12.2019, 10:26

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
from numpy import amin, random
from timeit import default_timer as timer
 
 
def run_time(function, a):
    t = timer()
    r = function(a)
    time = timer() - t
    print(f"{function.__name__}, result: {r}, time: {time:.10f} seconds")
 
def bmin(a):
    return min([min(row) for row in a])
 
 
n = 1000
a = [[random.randint(-n, n) for _ in range(n)] for _ in range(n)]
 
run_time(amin, a)
run_time(bmin, a)

PS. Интересный результат...
amin, result: -1000, time: 0.0890608830 seconds
bmin, result: -1000, time: 0.0331347970 seconds

Рыжий Лис · 20.12.2019, 11:15

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import random
import numpy as np
 
 
def bmin(a):
    return min([min(row) for row in a])
 
 
n = 1000
a = [[random.randint(-n, n) for _ in range(n)] for _ in range(n)]
 
import timeit
print(timeit.timeit('np.amin(a)', 
  setup='import numpy as np; from __main__ import a', number=10))
print(timeit.timeit('np.amin(a)', 
  setup='import numpy as np; from __main__ import a; a = np.array(a)', number=10))
print(timeit.timeit('bmin(a)', 
  setup='from __main__ import bmin, a', number=10))
 
#0.9073198139667511
#0.007684736978262663
#0.24830129405017942

np.array естественно выигрывает в скорости.

Добавлено через 22 минуты
Похожая тема: Почему стандартный list быстрее массива Numpy?

@udeep · 20.12.2019, 11:17

Рыжий Лис,
Спасибо. - Исправил, хотя условие об этом умалчивает...

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
from numpy import amin, array, random
from timeit import default_timer as timer
 
 
def run_time(function, a):
    t = timer()
    r = function(a)
    time = timer() - t
    print(f"{function.__name__}, result: {r}, time: {time:.10f} seconds")
 
def bmin(a):
    return min([min(row) for row in a])
 
 
n = 1000
a = [[random.randint(-n, n) for _ in range(n)] for _ in range(n)]
 
run_time(amin, array(a))
run_time(bmin, a)

amin, result: -1000, time: 0.0014144650 seconds
bmin, result: -1000, time: 0.0215855130 seconds

Рыжий Лис · 20.12.2019, 11:24

Запускай хотя бы три раза каждую функцию, чтобы усреднить разброс замеров времени.

@udeep · 20.12.2019, 11:40

Рыжий Лис,
В данное случае, что запустить 10 раз, что добавить 0 к "n = 1000" - не вижу принципиальной разницы.

Рыжий Лис · 20.12.2019, 11:48

Разница есть. Даже две:

1) размерность матрицы записана как $https://www.cyberforum.ru/cgi-bin/latex.cgi?n^2$ . При увеличении n в десять раз, размер её увеличится в 100 раз!

2) время работы функции фактически случайное число. Повторное проведение измерений позволяет усреднить значение и статистически вычислить погрешность измерений.

@udeep · 20.12.2019, 12:00

Рыжий Лис,
1. Речь идет о принципиальной разнице, лишний 0 - всего лишь примера, как увеличить время выполнения.
2. "Время работы функции фактически случайное число" только потому, что ей мешают другие процессы. И, IMHO, что вы запускаете функцию N раз на малых наборах данных, что соответственно увеличиваете набор данных - погрешность измерений будет практически одинаковой.

Рыжий Лис · 20.12.2019, 12:21

2) одиночный замер - это всё равно случайное число. Хотя согласен, что увеличение входных данных - а следовательно и времени выполнения повышает воспроизводимость результатов (слева n=300, справа n=1000. 10 замеров для каждого):

Алгоритм определения значения минимального элемента в матрице

@udeep · 20.12.2019, 13:58

Рыжий Лис,
Потестировал оба варианта...

На Win10 можно получить такой результат:
стандартное отклонение времени bmin на больших данных: [1000 * 1000]
0.0001106629
стандартное отклонение времени аmin на больших данных: [1000 * 1000]
0.0000187313
стандартное отклонение времени bmin на малых данных: [100 * 100] * 100 раз
0.0006204650
стандартное отклонение времени аmin на малых данных: [100 * 100] * 100 раз
0.0000317176

А можно и такой:
стандартное отклонение времени bmin на больших данных: [1000 * 1000]
0.0010734151
стандартное отклонение времени аmin на больших данных: [1000 * 1000]
0.0000847839
стандартное отклонение времени bmin на малых данных: [100 * 100] * 100 раз
0.0004003994
стандартное отклонение времени аmin на малых данных: [100 * 100] * 100 раз
0.0001038409

Т.о. для точных измерений либо должна быть "другая" ОС, либо измерения должны проводиться часами...

Кликните здесь для просмотра всего текста

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
from numpy import amin, array, mean, random
from statistics import stdev
from timeit import default_timer as timer
 
 
def run_time(function, a):
    t = timer()
    r = function(a)
    time = timer() - t
    return(time)
 
def bmin(a):
    return min([min(row) for row in a])
 
 
k = 100
 
# big data
x = [0] * k
y = [0] * k
n = 1000
a = [[random.randint(-n, n) for _ in range(n)] for _ in range(n)]
m = array(a)
 
for z in range(k):
    x[z] = run_time(bmin, a)
    y[z] = run_time(amin, m)
    
print('стандартное отклонение времени bmin на больших данных: [1000 * 1000]')
print(f'{stdev(x):.10f}')
print('стандартное отклонение времени аmin на больших данных: [1000 * 1000]')
print(f'{stdev(y):.10f}')
 
# small data
x = [0] * k
y = [0] * k
n = 100
a = [[random.randint(-n, n) for _ in range(n)] for _ in range(n)]
m = array(a)
 
for z in range(k):
    i = j = 0
    for _ in range(99):
        i += run_time(bmin, a)
        j += run_time(amin, m)
    x[z] = i
    y[z] = j
    
print('стандартное отклонение времени bmin на малых данных: [100 * 100] * 100 раз')
print(f'{stdev(x):.10f}')
print('стандартное отклонение времени аmin на малых данных: [100 * 100] * 100 раз')
print(f'{stdev(y):.10f}')

Новые блоги и статьи Все статьи Все блоги /
Functional First Web Framework Suave DevAlt 30.03.2026 Sauve. IO Апнулись до NET10. Из зависимостей один пакет, работает одинаково хорошо как в режиме проекта так и в интерактивном режиме. из сложностей - чисто функциональный подход. Решил. . .	Автоматическое создание документа при проведении другого документа Maks 29.03.2026 Реализация из решения ниже выполнена на нетиповых документах, разработанных в конфигурации КА2. Есть нетиповой документ "ЗаявкаНаРемонтСпецтехники" и нетиповой документ "ПланированиеСпецтехники". В. . .	Настройка движения справочника по регистру сведений Maks 29.03.2026 Решение ниже реализовано на примере нетипового справочника "ТарифыМобильнойСвязи" разработанного в конфигурации КА2, с целью учета корпоративной мобильной связи в коммерческом предприятии. . . .	Автозаполнение реквизита при выборе элемента справочника Maks 27.03.2026 Программный код из решения ниже на примере нетипового документа "ЗаявкаНаРемонтСпецтехники" разработанного в конфигурации КА2. При выборе "Спецтехники" (Тип Справочник. Спецтехника), заполняется. . .
Сумматор с применением элементов трёх состояний. Hrethgir 26.03.2026 Тут. https:/ / fips. ru/ EGD/ ab3c85c8-836d-4866-871b-c2f0c5d77fbc Первый документ красиво выглядит, но без схемы. Это конечно не даёт никаких плюсов автору, но тем не менее. . . всё может быть. . .	Автозаполнение реквизитов при создании документа Maks 26.03.2026 Программный код из решения ниже размещается в модуле объекта документа, в процедуре "ПриСозданииНаСервере". Алгоритм проверки заполнения реализован для исключения перезаписи значения реквизита,. . .	Команды формы и диалоговое окно Maks 26.03.2026 1. Команда формы "ЗаполнитьЗапчасти". Программный код из решения ниже на примере нетипового документа "ЗаявкаНаРемонтСпецтехники" разработанного в конфигурации КА2. В качестве источника данных. . .	Кому нужен AOT? DevAlt 26.03.2026 Решил сделать простой ланчер Написал заготовку: dotnet new console --aot -o UrlHandler var items = args. Split(":"); var tag = items; var id = items; var executable = args;. . .

@Vika222 0 / 0 / 0 Регистрация: 01.04.2019 Сообщений: 5

	Алгоритм определения значения минимального элемента в матрице 19.12.2019, 19:36. Показов 1161. Ответов 9 Метки python (Все метки) Написать программу, реализующую алгоритм определения значения минимального элемента в матрице с использованием list, замерить время выполнения и сравнить с готовой реализацией алгоритма из библиотеки NumPy. 0

Рыжий Лис Просто Лис 5973 / 3735 / 1099 Регистрация: 17.05.2012 Сообщений: 10,791 Записей в блоге: 9
	20.12.2019, 11:24
	Запускай хотя бы три раза каждую функцию, чтобы усреднить разброс замеров времени. 0

@udeep 55 / 40 / 18 Регистрация: 16.12.2019 Сообщений: 149
	20.12.2019, 11:40
	Рыжий Лис, В данное случае, что запустить 10 раз, что добавить 0 к "n = 1000" - не вижу принципиальной разницы. 0

Рыжий Лис Просто Лис 5973 / 3735 / 1099 Регистрация: 17.05.2012 Сообщений: 10,791 Записей в блоге: 9
	20.12.2019, 11:48
	Разница есть. Даже две: 1) размерность матрицы записана как $https://www.cyberforum.ru/cgi-bin/latex.cgi?n^2$ . При увеличении n в десять раз, размер её увеличится в 100 раз! 2) время работы функции фактически случайное число. Повторное проведение измерений позволяет усреднить значение и статистически вычислить погрешность измерений. 0

@udeep 55 / 40 / 18 Регистрация: 16.12.2019 Сообщений: 149
	20.12.2019, 12:00
	Рыжий Лис, 1. Речь идет о принципиальной разнице, лишний 0 - всего лишь примера, как увеличить время выполнения. 2. "Время работы функции фактически случайное число" только потому, что ей мешают другие процессы. И, IMHO, что вы запускаете функцию N раз на малых наборах данных, что соответственно увеличиваете набор данных - погрешность измерений будет практически одинаковой. 0

Рыжий Лис Просто Лис 5973 / 3735 / 1099 Регистрация: 17.05.2012 Сообщений: 10,791 Записей в блоге: 9
	20.12.2019, 12:21
	2) одиночный замер - это всё равно случайное число. Хотя согласен, что увеличение входных данных - а следовательно и времени выполнения повышает воспроизводимость результатов (слева n=300, справа n=1000. 10 замеров для каждого): 0