import time import pandas as pd import matplotlib.pyplot as plt import numpy as np import os import rtree import math import heapq import json class KNN: def __init__(self, k): self.k = k self.data = [] def add_point(self, point): self.data.append(point) def euclidean_distance(self, p1, p2): return math.sqrt(sum((a - b) ** 2 for a, b in zip(p1, p2))) def knn_search(self, query_point): pq = [] # Cola de prioridad para almacenar los k vecinos más cercanos for data_point in self.data: distance = self.euclidean_distance(query_point, data_point) heapq.heappush(pq, (-distance, data_point)) if len(pq) > self.k: heapq.heappop(pq) # Utilizamos un max-heap para que los vecinos más cercanos estén al principio de la lista neighbors = [item[1] for item in sorted(pq, key=lambda x: -x[0])] return neighbors tiempos_indice = dict() tiempos_sin_indice = dict() for D in [8]: tiempos_indice["D="+str(D)] = list() tiempos_sin_indice["D="+str(D)] = list() indexes = [] for i in [2, 3, 4, 5, 6]: N = pow(10, i) indexes.append("N="+str(N)) for D in [8]: # Eliminar los archivos if os.path.exists("puntos.data"): os.remove("puntos.data") if os.path.exists("puntos.index"): os.remove("puntos.index") prop = rtree.index.Property() prop.dimension = D prop.buffering_capacity = 10 # M prop.dat_extension = "data" prop.idx_extension = "index" # Generar los datos data = np.random.sample((N,D)) # insertar los puntos ind = rtree.index.Index("puntos", properties = prop) knn = KNN(k=8) for i in range(data.shape[0]): punto = data[i].tolist() ind.insert(i, punto + punto) knn.add_point(data[i]) query = data[0] query = query.tolist() start_time = time.time() ind.nearest(query+query, num_results=8) tiempos_indice["D="+str(D)].append(time.time() - start_time) ind.close() start_time = time.time() knn.knn_search(query) tiempos_sin_indice["D="+str(D)].append(time.time() - start_time) con_indice = tiempos_indice["D="+str(D)] sin_indice = tiempos_sin_indice["D="+str(D)] lista_final = sin_indice + con_indice # Leer el contenido del archivo JSON with open('diccionario.json', 'r') as file: json_string = file.read() # Cargar el JSON en un diccionario diccionario = json.loads(json_string) diccionario["Dimension8"] = lista_final # Convertir el diccionario a JSON json_string = json.dumps(diccionario) # Escribir el JSON en el archivo with open('diccionario.json', 'w') as file: file.write(json_string)

import matplotlib.pyplot as plt import numpy as np def crear_grafico(z,name): # Datos para el gráfico x = np.array([0, 1, 2, 3, 4, 0, 1, 2, 3, 4]) # Coordenadas en el eje X y = np.array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1]) # Coordenadas en el eje Y # Configuración del gráfico 3D fig = plt.figure(figsize=(8, 6)) ax = fig.add_subplot(111, projection='3d') # Dibujar barras en 3D ax.bar3d(x, y, np.zeros_like(z), 0.8, 0.8, z, shade=True, color='b', alpha=0.6) # Configuración de nombres para los ejes ax.set_yticks([0, 1]) ax.set_yticklabels(['Sin índice', 'Con índice']) ax.set_xticks([0, 1, 2, 3, 4]) ax.set_xticklabels(['10', '100', '1000', '10000', '1000000']) ax.set_xlabel('N') ax.set_ylabel('Tecnicas') ax.set_zlabel('Tiempo de ejecución (s)') # Título del gráfico plt.title('Gráfico de Barras 3D') #Guardar grafico fig.savefig(f'images/{name}.png') #8 Dimensiones z = np.array([0.0003974437713623047, 0.0037178993225097656, 0.03762340545654297, 0.379741907119751, 5.6130194664001465, 0.00015234947204589844, 0.00045371055603027344, 0.0008473396301269531, 0.0023872852325439453, 0.012778759002685547]) crear_grafico(z,"grafico3")