La visualización de algoritmos facilita su comprensión al analizar y comparar la cantidad de operaciones que tuvieron lugar para comparar e intercambiar los elementos. La visualización 3D de algoritmos es menos común, para esto usaremos Matplotlib para trazar gráficos de barras y animarlos para representar los elementos de la array.
Veamos las visualizaciones 3D de Quick Sort :
Acercarse:
- Generaremos una array con elementos aleatorios.
- Se llamará al algoritmo en esa array y se usará la declaración de rendimiento en lugar de la declaración de retorno para fines de visualización.
- Daremos los estados actuales de la array después de comparar e intercambiar. Por lo tanto, el algoritmo devolverá un objeto generador.
- La animación de Matplotlib se utilizará para visualizar la comparación y el intercambio de la array.
- Luego trazaremos el gráfico, que devolverá un objeto de Poly3dCollection con el que se realizará más animación.
A continuación se muestra la implementación:
Python3
# importing all required modules
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
from mpl_toolkits.mplot3d import axes3d
import matplotlib as mp
import numpy as np
import random
# quicksort function
def quicksort(a, l, r):
if l>=r:
return
x=a[l]
j=l
for i in range(l+1, r+1):
if a[i]<=x:
j+=1
a[j], a[i] = a[i], a[j]
yield a
a[l], a[j]=a[j], a[l]
yield a
# yield from statement used to yield
# the array after dividing
yield from quicksort(a, l, j-1)
yield from quicksort(a, j+1, r)
# function to plot bars
def showGraph():
# for random unique values
n=int(input("enter array size\n"))
a=[i for i in range(1, n+1)]
random.shuffle(a)
datasetName='Random'
# generator object returned
# by the function
generator = quicksort(a, 0, n-1)
algoName='Quick Sort'
# style of the chart
plt.style.use('fivethirtyeight')
# set colors of the bars
data_normalizer = mp.colors.Normalize()
color_map = mp.colors.LinearSegmentedColormap(
"my_map",
{
"red": [(0, 1.0, 1.0),
(1.0, .5, .5)],
"green": [(0, 0.5, 0.5),
(1.0, 0, 0)],
"blue": [(0, 0.50, 0.5),
(1.0, 0, 0)]
}
)
fig = plt.figure()
ax = fig.add_subplot(projection='3d')
# z values and positions of the bars
z = np.zeros(n)
dx = np.ones(n)
dy = np.ones(n)
dz = [i for i in range(len(a))]
# Poly3dCollection returned
# into variable rects
rects = ax.bar3d(range(len(a)), a, z, dx,
dy, dz,
color = color_map(data_normalizer(range(n))))
# setting and x and y limits
# equal to the length of the array
ax.set_xlim(0, len(a))
ax.set_ylim(0, int(1.1*len(a)))
ax.set_title("ALGORITHM : "+algoName+"\n"+"DATA SET : "+datasetName,
fontdict={'fontsize': 13, 'fontweight': 'medium',
'color' : '#E4365D'})
# text to plot on the chart
text = ax.text2D(0.1,0.95, "", horizontalalignment = 'center',
verticalalignment = 'center',
transform=ax.transAxes,
color = "#E4365D")
iteration = [0]
# animation function to be
# repeatedly called
def animate(A, rects, iteration):
# to clear the bars from
# the Poly3DCollection object
ax.collections.clear()
ax.bar3d(range(len(a)), A, z, dx,
dy, dz,
color = color_map(data_normalizer(range(n))))
iteration[0] += 1
text.set_text("iterations : {}".format(iteration[0]))
# animate function is called here
# and the generator object is passed
anim = FuncAnimation(fig, func=animate,
fargs = (rects, iteration),
frames = generator, interval=50,
repeat=False)
# show the plot
plt.show()
# function call
showGraph()
Producción:
Para tamaño de array 20
Publicación traducida automáticamente
Artículo escrito por maryamnadeem20 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA