525 lines
12 KiB
Plaintext
525 lines
12 KiB
Plaintext
{
|
||
"cells": [
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## Modelowanie języka – laboratoria\n",
|
||
"### 20 marca 2024\n",
|
||
"# 3. Entropia"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": 1,
|
||
"metadata": {
|
||
"scrolled": true
|
||
},
|
||
"outputs": [
|
||
{
|
||
"name": "stdout",
|
||
"output_type": "stream",
|
||
"text": [
|
||
"Defaulting to user installation because normal site-packages is not writeable\n",
|
||
"Collecting dahuffman\n",
|
||
" Downloading dahuffman-0.4.1-py2.py3-none-any.whl (18 kB)\n",
|
||
"Installing collected packages: dahuffman\n",
|
||
"Successfully installed dahuffman-0.4.1\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",
|
||
"- zakodowany tekst zapisz do pliku binarnego, zapisz również tablicę kodową\n",
|
||
"- porównaj wielkość pliku tekstowego, skompresowanego pliku tekstowego (zip, ...) oraz pliku skompresowanego kodem Hufmmana (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 (Huffman + 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 potraktuj wiadomości jako słowa (oddzielone spacją). Jeżeli występują więcej niż jedna spacja równocześnie, usuń je.\n",
|
||
" \n",
|
||
"Do wniosków dopisz koniecznie porównanie między kodowaniem Huffmann 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 (Huffman + tablica kodowa) |\n",
|
||
"| ----------- | ----------- |----------- |\n",
|
||
"| tekst w jęz. naturalnym | | |\n",
|
||
"| losowy tekst (jednostajny) | | |\n",
|
||
"| losowy tekst (geometryczny)| | |"
|
||
]
|
||
},
|
||
{
|
||
"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": 4,
|
||
"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": 5,
|
||
"metadata": {},
|
||
"outputs": [
|
||
{
|
||
"data": {
|
||
"text/plain": [
|
||
"'ldddmpprphhopd'"
|
||
]
|
||
},
|
||
"execution_count": 5,
|
||
"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": "3.10.12"
|
||
},
|
||
"subtitle": "0.Informacje na temat przedmiotu[ćwiczenia]",
|
||
"title": "Ekstrakcja informacji",
|
||
"year": "2021"
|
||
},
|
||
"nbformat": 4,
|
||
"nbformat_minor": 4
|
||
}
|