LunaWarm
DownloadTélécharger
Actions
Vote :
ScreenshotAperçu
Informations
Catégorie :Category: nCreator TI-Nspire
Auteur Author: yayah
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 4.55 Ko KB
Mis en ligne Uploaded: 18/12/2024 - 21:10:57
Uploadeur Uploader: yayah (Profil)
Téléchargements Downloads: 3
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4420571
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 4.55 Ko KB
Mis en ligne Uploaded: 18/12/2024 - 21:10:57
Uploadeur Uploader: yayah (Profil)
Téléchargements Downloads: 3
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4420571
Description
Fichier Nspire généré sur TI-Planet.org.
Compatible OS 3.0 et ultérieurs.
<<
Exemple 1 : Calcul de la fréquence des mots (Term Frequency et Document Frequency) Problème : Trouver la fréquence dun mot dans un document et le nombre de documents contenant ce mot. Pseudo-code : Algorithm 1: Map(String namei, List<String> di)for word di do emit(word, namei) // Émet le mot et le nom du documentendAlgorithm 2: Reduce(String word, List<String> names)tf len(names) // Nombre total d'occurrences du mot (Term Frequency)df len(Set(names)) // Nombre de documents uniques contenant le mot (Document Frequency)emit(word, (tf, df)) // Émet le mot avec ses fréquences Explication : Le Map associe chaque mot au document dans lequel il apparaît. Le Reduce agrège les résultats pour chaque mot, comptant : tf : Nombre total doccurrences du mot. df : Nombre de documents uniques contenant le mot. Exemple 2 : Identifier les nombres inférieurs à 50 sans doublon Problème : Trouver tous les nombres inférieurs à 50 dans plusieurs fichiers, sans répétition. Pseudo-code : Algorithm 1: Map(String fileid, List<Int> numbers)for num numbers do if num < 50 then emit(num, 1) // Émet le nombre avec une valeur de 1 endendAlgorithm 2: Reduce(Int num, List<Int> values)emit(num, 1) // Émet chaque nombre unique une seule fois Explication : Le Map identifie les nombres inférieurs à 50 et les associe à une valeur (ici 1 ). Le Reduce élimine les doublons et émet chaque nombre unique. Exemple 3 : Trouver le maximum dans un ensemble de fichiers Problème : Calculer le maximum parmi une liste de nombres répartie sur plusieurs fichiers. Pseudo-code : Algorithm 1: Map(String fileid, List<Int> numbers)for num numbers do emit("max", num) // Émet chaque nombre avec la clé commune "max"endAlgorithm 2: Reduce(String key, List<Int> values)max_value max(values) // Trouve le maximum parmi les valeursemit(key, max_value) // Émet la clé et le maximum Explication : Le Map associe tous les nombres à une clé commune "max" . Le Reduce trouve le maximum parmi toutes les valeurs associées à cette clé. Exemple 4 : Calculer la somme par clé (groupée) Problème : Calculer la somme des valeurs associées à chaque clé. Pseudo-code : Algorithm 1: Map(String fileid, List<Pair<String, Int>> data)for (key, value) data do emit(key, value) // Émet la clé et sa valeur associéeendAlgorithm 2: Reduce(String key, List<Int> values)sum 0for value values do sum sum + value // Cumul des valeursendemit(key, sum) // Émet la clé et la somme totale Explication : Le Map émet chaque paire (clé, valeur) . Le Reduce additionne toutes les valeurs associées à chaque clé. Exemple 5 : Identifier les produits uniques achetés par chaque client Problème : Trouver les produits distincts achetés par chaque client. Pseudo-code : Algorithm 1: Map(String fileid, List<Pair<String, String>> transactions)for (client_id, product_id) transactions do emit(client_id, product_id) // Émet le client et le produit achetéendAlgorithm 2: Reduce(String client_id, List<String> product_ids)unique_products Set(product_ids) // Convertit en ensemble pour éliminer les doublonsemit(client_id, len(unique_products)) // Émet le client et le nombre de produits uniques Explication : Le Map associe chaque produit à son client. Le Reduce : Utilise un set pour obtenir les produits uniques par client. Compte ces produits et les associe au client. Exemple 6 : Trouver le maximum dans une liste Problème : Trouver le nombre maximum dans une grande liste répartie sur plusieurs fichiers. Pseudo-code : Algorithm 1: Map(String fileid, List<Int> numbers)for num numbers do emit("max", num) // Émet chaque nombre avec la clé commune "max"endAlgorithm 2: Reduce(String key, List<Int> values)max_value - // Initialise à un très petit nombrefor value values do if value > max_value then max_value value // Met à jour si un nombre plus grand est trouvé endendemit(key, max_value) // Émet la clé et le nombre maximum Explication : Le Map émet tous les nombres avec une clé commune "max" . Le Reduce compare chaque nombre et met à jour le maximum trouvé. Exemple 7 : Trouver les occurrences exactes dun mot Problème : Compter combien de fois un mot spécifique apparaît dans un ensemble de fichiers. Pseudo-code : Algorithm 1: Map(String fileid, List<String> words)target_word "Python" // Le mot que nous recherchonsfor word words do if word == target_word then emit(word, 1) // Émet uniquement si le mot correspond à "Python" endendAlgorithm 2: Reduce(String word, List<Int> values)if word == "Python" then total_count sum(values) // Calcule la somme des valeurs emit(word, total_count) // Émet le mot et son nombre d'occurrencesend Explication : Le Map ne traite que le mot cible ("Python") et émet une valeur 1 chaque fois quil est trouvé. Le Reduce additionne toutes les valeurs pour obtenir le total des occurrences du mot exact. Exemple 8 : Trouver les documents contenant
[...]
>>
Compatible OS 3.0 et ultérieurs.
<<
Exemple 1 : Calcul de la fréquence des mots (Term Frequency et Document Frequency) Problème : Trouver la fréquence dun mot dans un document et le nombre de documents contenant ce mot. Pseudo-code : Algorithm 1: Map(String namei, List<String> di)for word di do emit(word, namei) // Émet le mot et le nom du documentendAlgorithm 2: Reduce(String word, List<String> names)tf len(names) // Nombre total d'occurrences du mot (Term Frequency)df len(Set(names)) // Nombre de documents uniques contenant le mot (Document Frequency)emit(word, (tf, df)) // Émet le mot avec ses fréquences Explication : Le Map associe chaque mot au document dans lequel il apparaît. Le Reduce agrège les résultats pour chaque mot, comptant : tf : Nombre total doccurrences du mot. df : Nombre de documents uniques contenant le mot. Exemple 2 : Identifier les nombres inférieurs à 50 sans doublon Problème : Trouver tous les nombres inférieurs à 50 dans plusieurs fichiers, sans répétition. Pseudo-code : Algorithm 1: Map(String fileid, List<Int> numbers)for num numbers do if num < 50 then emit(num, 1) // Émet le nombre avec une valeur de 1 endendAlgorithm 2: Reduce(Int num, List<Int> values)emit(num, 1) // Émet chaque nombre unique une seule fois Explication : Le Map identifie les nombres inférieurs à 50 et les associe à une valeur (ici 1 ). Le Reduce élimine les doublons et émet chaque nombre unique. Exemple 3 : Trouver le maximum dans un ensemble de fichiers Problème : Calculer le maximum parmi une liste de nombres répartie sur plusieurs fichiers. Pseudo-code : Algorithm 1: Map(String fileid, List<Int> numbers)for num numbers do emit("max", num) // Émet chaque nombre avec la clé commune "max"endAlgorithm 2: Reduce(String key, List<Int> values)max_value max(values) // Trouve le maximum parmi les valeursemit(key, max_value) // Émet la clé et le maximum Explication : Le Map associe tous les nombres à une clé commune "max" . Le Reduce trouve le maximum parmi toutes les valeurs associées à cette clé. Exemple 4 : Calculer la somme par clé (groupée) Problème : Calculer la somme des valeurs associées à chaque clé. Pseudo-code : Algorithm 1: Map(String fileid, List<Pair<String, Int>> data)for (key, value) data do emit(key, value) // Émet la clé et sa valeur associéeendAlgorithm 2: Reduce(String key, List<Int> values)sum 0for value values do sum sum + value // Cumul des valeursendemit(key, sum) // Émet la clé et la somme totale Explication : Le Map émet chaque paire (clé, valeur) . Le Reduce additionne toutes les valeurs associées à chaque clé. Exemple 5 : Identifier les produits uniques achetés par chaque client Problème : Trouver les produits distincts achetés par chaque client. Pseudo-code : Algorithm 1: Map(String fileid, List<Pair<String, String>> transactions)for (client_id, product_id) transactions do emit(client_id, product_id) // Émet le client et le produit achetéendAlgorithm 2: Reduce(String client_id, List<String> product_ids)unique_products Set(product_ids) // Convertit en ensemble pour éliminer les doublonsemit(client_id, len(unique_products)) // Émet le client et le nombre de produits uniques Explication : Le Map associe chaque produit à son client. Le Reduce : Utilise un set pour obtenir les produits uniques par client. Compte ces produits et les associe au client. Exemple 6 : Trouver le maximum dans une liste Problème : Trouver le nombre maximum dans une grande liste répartie sur plusieurs fichiers. Pseudo-code : Algorithm 1: Map(String fileid, List<Int> numbers)for num numbers do emit("max", num) // Émet chaque nombre avec la clé commune "max"endAlgorithm 2: Reduce(String key, List<Int> values)max_value - // Initialise à un très petit nombrefor value values do if value > max_value then max_value value // Met à jour si un nombre plus grand est trouvé endendemit(key, max_value) // Émet la clé et le nombre maximum Explication : Le Map émet tous les nombres avec une clé commune "max" . Le Reduce compare chaque nombre et met à jour le maximum trouvé. Exemple 7 : Trouver les occurrences exactes dun mot Problème : Compter combien de fois un mot spécifique apparaît dans un ensemble de fichiers. Pseudo-code : Algorithm 1: Map(String fileid, List<String> words)target_word "Python" // Le mot que nous recherchonsfor word words do if word == target_word then emit(word, 1) // Émet uniquement si le mot correspond à "Python" endendAlgorithm 2: Reduce(String word, List<Int> values)if word == "Python" then total_count sum(values) // Calcule la somme des valeurs emit(word, total_count) // Émet le mot et son nombre d'occurrencesend Explication : Le Map ne traite que le mot cible ("Python") et émet une valeur 1 chaque fois quil est trouvé. Le Reduce additionne toutes les valeurs pour obtenir le total des occurrences du mot exact. Exemple 8 : Trouver les documents contenant
[...]
>>
