Différences

Ci-dessous, les différences entre deux révisions de la page.

--- teaching:progappchim:suite_de_fibonacci-5 [2013/11/08 08:55] – villersd
+++ teaching:progappchim:suite_de_fibonacci-5 [2017/02/24 09:10] – villersd
@@ Ligne 1: / Ligne 1: @@
 ====== Suite de Fibonacci : quel est le meilleur algorithme ? ======
-il suffit de comparer les temps avec timeit...
+===== Comparer les temps avec timeit =====
+La librairie [[http://docs.python.org/2/library/timeit.html|timeit]] mesure les temps d'exécution en évitant des biais tels que l'usage concomitant d'autres ressources.
-<sxh python; title : fibonacci09_fonctions_comparaison.py>
+<code python fibonacci10_fonctions_comparaison.py>
 #! /usr/bin/env python
 # -*- coding: utf-8 -*-
@@ Ligne 20: / Ligne 21: @@
 if __name__ == '__main__':
-    print "Calculs exemples préliminaires..."
+    print("Calculs exemples préliminaires...")
-    i=input("Suite de Fibonacci. Donnez l'indice de l'élément souhaité ? ")
+    i=int(input("Suite de Fibonacci. Donnez l'indice de l'élément souhaité ? "))
     print ("Élément de la suite : "),
-    if i <= 10: print fibonacci_item_recursive(i)
+    if i <= 10: print(fibonacci_item_recursive(i))
-    print fibonacci_item_from_list(i)
+    print(fibonacci_item_from_list(i))
-    print fibonacci_item(i)
+    print(fibonacci_item(i))
-    print fibonacci_item_logarithmic(i)
+    print(fibonacci_item_logarithmic(i))
-    print "Temps d'exécution"
+    print("Temps d'exécution")
     #using timeit :
     t1 = timeit.Timer("fibonacci_item_recursive(" + str(i) + ")","from fibonacci07_fonction_recursive import fibonacci_item_recursive")
@@ Ligne 34: / Ligne 35: @@
     t4 = timeit.Timer("fibonacci_item_logarithmic(" + str(i) + ")","from fibonacci08_fonction_algo_log import fibonacci_item_logarithmic")
     if i <= 10:
-        print "fibonacci_item_recursive"
+        print("fibonacci_item_recursive")
-        print "1000 exécutions : ",t1.timeit(1000)
+        print("1000 exécutions : ",t1.timeit(1000))
-        print "Cinq ensembles de 10000 exécutions : ",t1.repeat(5, 1000)
+        print("Cinq ensembles de 10000 exécutions : ",t1.repeat(5, 1000))
-    print "fibonacci_item_from_list"
+    print("fibonacci_item_from_list")
-    print "1000 exécutions : ",t2.timeit(1000)
+    print("1000 exécutions : ",t2.timeit(1000))
-    print "Cinq ensembles de 10000 exécutions : ",t2.repeat(5, 1000)
+    print("Cinq ensembles de 10000 exécutions : ",t2.repeat(5, 1000))
-    print "fibonacci_item_"
+    print("fibonacci_item_")
-    print "1000 exécutions : ",t3.timeit(1000)
+    print("1000 exécutions : ",t3.timeit(1000))
-    print "Cinq ensembles de 10000 exécutions : ",t3.repeat(5, 1000)
+    print("Cinq ensembles de 10000 exécutions : ",t3.repeat(5, 1000))
-    print "fibonacci_item_logarithmic"
+    print("fibonacci_item_logarithmic")
-    print "1000 exécutions : ",t4.timeit(1000)
+    print("1000 exécutions : ",t4.timeit(1000))
-    print "Cinq ensembles de 10000 exécutions : ",t4.repeat(5, 1000)
+    print("Cinq ensembles de 10000 exécutions : ",t4.repeat(5, 1000))
+</code>
+===== Traitements statistiques =====
+==== Les listes de mesures ====
+  * La [[http://fr.wikipedia.org/wiki/Statistique_descriptive|statistique descriptive]] permet de décrire un ensemble de mesure par quelques valeurs caractéristiques :
+    * la moyenne
+    * la médiane
+    * le maximum
+    * le minimum
+    * la variance et sa racine carrée, l'écart type
+Exercices :
+  * créer en Python des fonctions qui extraient ces valeurs pour une liste de nombres.
+  * rechercher des librairies spécialisées et leurs fonctionnalités fournissant facilement ces paramètres (numpy, scipy, statsmodels, pandas,...)
+==== L'influence d'une variable ====
+Caractériser plusieurs ensembles de mesures pour lesquels on fait varier un paramètre (le numéro de l'élément dans la suite par exemple), et étudier la dépendance des variables mesurées en fonction de ce paramètre.
-</sxh>