aitech-moj-2023/cw/03_Entropia.ipynb
Jakub Pokrywka 76c36fed60 a
2022-03-13 19:06:06 +01:00

529 lines
12 KiB
Plaintext

{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"![Logo 1](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech1.jpg)\n",
"<div class=\"alert alert-block alert-info\">\n",
"<h1> Ekstrakcja informacji </h1>\n",
"<h2> 3. <i>Entropia</i> [ćwiczenia]</h2> \n",
"<h3> Jakub Pokrywka (2022)</h3>\n",
"</div>\n",
"\n",
"![Logo 2](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech2.jpg)"
]
},
{
"cell_type": "code",
"execution_count": 1,
"metadata": {
"scrolled": true
},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Requirement already satisfied: dahuffman in /home/kuba/anaconda3/lib/python3.8/site-packages (0.4.1)\r\n"
]
}
],
"source": [
"!pip install dahuffman"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {},
"outputs": [],
"source": [
"import random\n",
"from collections import Counter\n",
"from dahuffman import HuffmanCodec"
]
},
{
"cell_type": "code",
"execution_count": 3,
"metadata": {},
"outputs": [],
"source": [
"NR_INDEKSU = 375985"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Wprowadzenie"
]
},
{
"cell_type": "code",
"execution_count": 4,
"metadata": {},
"outputs": [],
"source": [
"tekst = 'Ala ma kota. Jarek ma psa'"
]
},
{
"cell_type": "code",
"execution_count": 5,
"metadata": {},
"outputs": [],
"source": [
"codec = HuffmanCodec.from_data(tekst)"
]
},
{
"cell_type": "code",
"execution_count": 6,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"Counter({'A': 1,\n",
" 'l': 1,\n",
" 'a': 6,\n",
" ' ': 5,\n",
" 'm': 2,\n",
" 'k': 2,\n",
" 'o': 1,\n",
" 't': 1,\n",
" '.': 1,\n",
" 'J': 1,\n",
" 'r': 1,\n",
" 'e': 1,\n",
" 'p': 1,\n",
" 's': 1})"
]
},
"execution_count": 6,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"Counter(tekst)"
]
},
{
"cell_type": "code",
"execution_count": 7,
"metadata": {
"scrolled": true
},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Bits Code Value Symbol\n",
" 2 00 0 ' '\n",
" 2 01 1 'a'\n",
" 4 1000 8 't'\n",
" 5 10010 18 _EOF\n",
" 5 10011 19 '.'\n",
" 5 10100 20 'A'\n",
" 5 10101 21 'J'\n",
" 5 10110 22 'e'\n",
" 5 10111 23 'l'\n",
" 4 1100 12 'k'\n",
" 4 1101 13 'm'\n",
" 5 11100 28 'o'\n",
" 5 11101 29 'p'\n",
" 5 11110 30 'r'\n",
" 5 11111 31 's'\n"
]
}
],
"source": [
"codec.print_code_table()"
]
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"{' ': (2, 0),\n",
" 'a': (2, 1),\n",
" 't': (4, 8),\n",
" _EOF: (5, 18),\n",
" '.': (5, 19),\n",
" 'A': (5, 20),\n",
" 'J': (5, 21),\n",
" 'e': (5, 22),\n",
" 'l': (5, 23),\n",
" 'k': (4, 12),\n",
" 'm': (4, 13),\n",
" 'o': (5, 28),\n",
" 'p': (5, 29),\n",
" 'r': (5, 30),\n",
" 's': (5, 31)}"
]
},
"execution_count": 8,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"codec.get_code_table()"
]
},
{
"cell_type": "code",
"execution_count": 9,
"metadata": {},
"outputs": [],
"source": [
"encoded = codec.encode(tekst)"
]
},
{
"cell_type": "code",
"execution_count": 10,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"'1010010111010011010100110011100100001100110010101011111010110110000110101001110111111011'"
]
},
"execution_count": 10,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"\"{:08b}\".format(int(encoded.hex(),16))"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"A l a"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"101001 10111 01"
]
},
{
"cell_type": "code",
"execution_count": 11,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"'Ala ma kota. Jarek ma psa'"
]
},
"execution_count": 11,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"codec.decode(encoded)"
]
},
{
"cell_type": "code",
"execution_count": 12,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"25"
]
},
"execution_count": 12,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"len(tekst)"
]
},
{
"cell_type": "code",
"execution_count": 13,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"11"
]
},
"execution_count": 13,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"len(encoded)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Zadanie 1 ( 15 punktów)\n",
"\n",
"Weź teksty:\n",
"- z poprzednich zajęć (lub dowolny inny) w języku naturalnym i obetnij do długości 100_000 znaków\n",
"- wygenerowany losowo zgodnie z rozkładem jednostajnym dyskretnym z klasy [a-zA-Z0-9 ] o długości 100_000 znaków\n",
"- wygenerowany losowo zgodnie z rozkładem geometrycznym (wybierz p między 0.2 a 0.8) z klasy [a-zA-Z0-9 ] o długości 100_000 znaków\n",
"- wygenerowany losowo zgodnie z rozkładem jednostajnym dwupunktowym p=0.5 z klasy [01] o długości 100_000 znaków\n",
"- wygenerowany losowo zgodnie z rozkładem jednostajnym dwupunktowym p=0.9 z klasy [01] o długości 100_000 znaków\n",
"\n",
"Następnie dla każdego z tekstów trakując je po znakach:\n",
"- skompresuj plik za pomocą dowolnego progrmu (zip, tar lub inny)\n",
"- policz entropię\n",
"- wytrenuj kodek huffmana i zakoduj cały tekst\n",
"- zdekoduj pierwsze 3 znaki (jako zera i jedynki) wypisz je (z oddzieleniem na znaki)\n",
"- zakodowany tekst zapisz do pliku binarnego, zapisz również tablicę kodową\n",
"- porównaj wielkość pliku tekstowego, skompresowanego pliku tekstowego (zip, ...) oraz pliku skompresowanego hofmmanem (wraz z kodekiem)\n",
"\n",
"Uzupełnij poniższe tabelki oraz wnioski (conajmniej 5 zdań).\n",
"\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### START ZADANIA"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Entropia\n",
" \n",
"| | Entropia |\n",
"| ----------- | ----------- |\n",
"| tekst w jęz. naturalnym | |\n",
"| losowy tekst (jednostajny) | |\n",
"| losowy tekst (geometryczny)| |\n",
"| losowy tekst (dwupunktowy 0.5) | |\n",
"| losowy tekst (dwupunktowy 0.9) | |\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Wielkości w bitach:\n",
" \n",
"| | Plik nieskompresowany | Plik skompresowany (zip, tar,.. ) | Plik skompresowany + tablica kodowa) |\n",
"| ----------- | ----------- |-----------|----------- |\n",
"| tekst w jęz. naturalnym | | | |\n",
"| losowy tekst (jednostajny) | | | |\n",
"| losowy tekst (geometryczny)| | | |\n",
"| losowy tekst (dwupunktowy 0.5)| | | |\n",
"| losowy tekst (dwupunktowy 0.9)| | | |"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"#### Wnioski:"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### KONIEC ZADANIA"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Zadanie 2 (10 punktów)\n",
"\n",
"Powtórz kroki z zadania 1, tylko potraktuje wiadomości jako słowa (oddzielone spacją). Jeżeli występują więcej niż jedna spacja równocześnie- usuń je.\n",
" \n",
"Do wniosków dopisz koniecznie porównanie między kodowaniem hoffmana znaków i słów.\n",
"\n",
"\n",
"\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### START ZADANIA"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Entropia\n",
" \n",
"| | Entropia |\n",
"| ----------- | ----------- |\n",
"| tekst w jęz. naturalnym | |\n",
"| losowy tekst (dyskretny) | |\n",
"| losowy tekst (geometryczny)| |\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Wielkości w bitach:\n",
" \n",
"| | Plik nieskompresowany | Plik skompresowany (zip, tar,.. ) | Plik skompresowany + tablica kodowa) |\n",
"| ----------- | ----------- |-----------|----------- |\n",
"| tekst w jęz. naturalnym | | | |\n",
"| losowy tekst (jednostajny) | | | |\n",
"| losowy tekst (geometryczny)| | | |\n",
"| losowy tekst (dwupunktowy 0.5)| | | |\n",
"| losowy tekst (dwupunktowy 0.9)| | | |"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"#### Wnioski:"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### KONIEC ZADANIA"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Zadanie 3 (20 punktów)\n",
"\n",
"stwórz ręcznie drzewo Huffmana (zrób rysunki na kartce i załącz je jako obrazek) oraz zakoduj poniższy tekst "
]
},
{
"cell_type": "code",
"execution_count": 14,
"metadata": {},
"outputs": [],
"source": [
"random.seed(123)\n",
"\n",
"tekst = list('abcdefghijklmnoprst')\n",
"\n",
"random.shuffle(tekst)\n",
"\n",
"tekst = tekst[: 5 + random.randint(1,5)]\n",
"\n",
"tekst = [a*random.randint(1,4) for a in tekst]\n",
"\n",
"tekst = [item for sublist in tekst for item in sublist]\n",
"\n",
"''.join(tekst)\n",
"\n",
"random.shuffle(tekst)\n",
"\n",
"tekst = ''.join(tekst)"
]
},
{
"cell_type": "code",
"execution_count": 15,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"'ldddmpprphhopd'"
]
},
"execution_count": 15,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"tekst"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Start zadania"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Koniec zadania"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## WYKONANIE ZADAŃ\n",
"Zgodnie z instrukcją 01_Kodowanie_tekstu.ipynb"
]
}
],
"metadata": {
"author": "Jakub Pokrywka",
"email": "kubapok@wmi.amu.edu.pl",
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"lang": "pl",
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.8.3"
},
"subtitle": "0.Informacje na temat przedmiotu[ćwiczenia]",
"title": "Ekstrakcja informacji",
"year": "2021"
},
"nbformat": 4,
"nbformat_minor": 4
}