Постройте таблицу расстояний между населёнными пунктами и сохраните её в переменной…
- User
Постройте таблицу расстояний между населёнными пунктами и сохраните её в переменной distances. Представьте данные как список списков. Каждая строка — это расстояние от одного населённого пункта до остальных. Добавьте в таблицу distances названия всех сёл и деревень. Обратите внимание, что здесь колонки называются не по правилам Python — кириллицей и с заглавной буквы. Названия деревень на латинице выглядят нечитабельно, а код должен понимать не только автор, но и другие разработчики. Функция print() выведет результат на экран. Подсказка
Допишите код: for village_from in range(len(village)): row = [] for village_to in range(len(village)): value = # < напишите код здесь > row.append(value) distances.append(row) import numpy as np 2 import pandas as pd 3 from scipy.spatial import distance 4 5 6 x_axis = np.array([0.0, 0.18078584, 9.32526599, 17.09628721, 7 4.69820241, 11.57529305, 11.31769349, 14.63378951]) 8 9 y_axis = np.array([0.0, 7.03050245, 9.06193657, 0.1718145, 10 5.1383203, 0.11069032, 3.27703365, 5.36870287]) 11 12 shipments = np.array([5, 7, 4, 3, 5, 2, 1, 1]) 13 14 village = ['Тетерье',
15 'Журавец', 16 'Корсунь', 17 'Берёзовка', 18 'Протасово',
19 'Трудки',
20 'Нижний Туровец',
21 'Вышний Туровец'] 22 23 data = pd.DataFrame({'x_coordinates_km': x_axis, 24 'y_coordinates_km': y_axis, 25 'deliveries': shipments}, index=village) 26 27 vectors = data[['x_coordinates_km', 'y_coordinates_km']].values 28 29 distances = [] 30< напишите код здесь >
31
32 distances_df = pd.DataFrame(distances, index=village, columns=village) 33 print(distances_df)
- Assistant
Чтобы создать таблицу расстояний между населёнными пунктами, применяя вашу подсказку, нужно вычислить расстояние между каждой парой координат x и y для всех населённых пунктов. Это можно сделать, используя евклидово расстояние. Ниже приведён полный код для выполнения вашего задания:
import numpy as np import pandas as pd from scipy.spatial import distance # Координаты (x и y) и количество поставок (shipments) для каждого населённого пункта x_axis = np.array([0.0, 0.18078584, 9.32526599, 17.09628721, 4.69820241, 11.57529305, 11.31769349, 14.63378951]) y_axis = np.array([0.0, 7.03050245, 9.06193657, 0.1718145, 5.1383203, 0.11069032, 3.27703365, 5.36870287]) shipments = np.array([5, 7, 4, 3, 5, 2, 1, 1]) village = ['Тетерье', 'Журавец', 'Корсунь', 'Берёзовка', 'Протасово', 'Трудки', 'Нижний Туровец', 'Вышний Туровец'] # DataFrame, содержащий координаты и количество поставок data = pd.DataFrame({'x_coordinates_km': x_axis, 'y_coordinates_km': y_axis, 'deliveries': shipments}, index=village) # Представление координат в виде массива векторов для расчёта расстояний vectors = data[['x_coordinates_km', 'y_coordinates_km']].values distances = [] # Расчет таблицы расстояний между населёнными пунктами for village_from in range(len(village)): row = [] for village_to in range(len(village)): # Рассчитываем евклидово расстояние между двумя населёнными пунктами value = distance.euclidean(vectors[village_from], vectors[village_to]) row.append(value) distances.append(row) # Преобразование списка расстояний в DataFrame distances_df = pd.DataFrame(distances, index=village, columns=village) print(distances_df)Этот код создает
DataFrameс названиями населённых пунктов как в строках, так и в столбцах, где каждый элемент отображает расстояние между соответствующими населёнными пунктами. Для расчётов использован модульdistance.euclidean()из библиотекиscipy.spatial, что позволяет легко вычислять евклидово расстояние между двумя точками на плоскости. - User
Вы знаете, сколько заказов за неделю доставляют в каждую точку. Выберите оптимальный для склада компании «Дрон Горыныч» населённый пункт. Для этого найдите расстояние между пунктами, удвойте его (полёты туда и обратно) и умножьте на еженедельное количество доставок. Сохраните результат в списке shipping_in_week. Выберите населенный пункт с наименьшей суммарной дистанцией до соседей. Выведите результат на экран. Подсказка
Если склад в населённом пункте с индексом i, то расстояние между сёлами можно посчитать скалярным произведением: 2 * np.dot(np.array(distances[i]), shipments). Чтобы вычислить индекс минимального значения, вызовите метод idxmin() (англ. «индекс минимума»). Найдите его в документации. import numpy as np 2 import pandas as pd 3 from scipy.spatial import distance 4 5 x_axis = np.array([0.0, 7.03050245, 9.06193657, 0.1718145, 6 5.1383203, 0.11069032, 3.27703365, 5.36870287]) 7 y_axis = np.array([0., 0.18078584, 9.32526599, 17.09628721, 8 4.69820241, 11.57529305, 11.31769349, 14.63378951]) 9 shipments = np.array([5, 7, 4, 3, 5, 2, 1, 1]) 10 11 village = ['Тетерье',
12 'Журавец', 13 'Корсунь', 14 'Берёзовка', 15 'Протасово',
16 'Трудки',
17 'Нижний Туровец',
18 'Вышний Туровец'] 19 20 data = pd.DataFrame({'x_coordinates_km': x_axis, 21 'y_coordinates_km': y_axis, 22 'deliveries': shipments}, index=village) 23 24 vectors = data[['x_coordinates_km', 'y_coordinates_km']].values 25 26 distances = [] 27 for village_from in range(len(village)): 28 row = [] 29 for village_to in range(len(village)): 30 value = distance.euclidean(vectors[village_from], vectors[village_to]) 31 row.append(value) 32 distances.append(row) 33 34 shipping_in_week = [] 35< напишите код здесь >
36 37 shipping_in_week_df = pd.DataFrame({'distance': shipping_in_week}, index=village) 38 39 print(shipping_in_week_df) 40 41 print() 42 print('Населённый пункт для склада:', 43 # < напишите код здесь >)
- Assistant
Чтобы найти оптимальный населённый пункт для склада и продолжая работу с вашими данными, включая созданный список
distances, необходимо рассчитать суммарное расстояние для каждого населённого пункта, учитывая количество доставок в неделю. Сделаем это, применяя скалярное произведение расстояний на количество доставок, как указано в подсказке. В завершение, определим населённый пункт с наименьшим суммарным расстоянием.import numpy as np import pandas as pd from scipy.spatial import distance x_axis = np.array([0.0, 7.03050245, 9.06193657, 0.1718145, 5.1383203, 0.11069032, 3.27703365, 5.36870287]) y_axis = np.array([0., 0.18078584, 9.32526599, 17.09628721, 4.69820241, 11.57529305, 11.31769349, 14.63378951]) shipments = np.array([5, 7, 4, 3, 5, 2, 1, 1]) village = ['Тетерье', 'Журавец', 'Корсунь', 'Берёзовка', 'Протасово', 'Трудки', 'Нижний Туровец', 'Вышний Туровец'] data = pd.DataFrame({'x_coordinates_km': x_axis, 'y_coordinates_km': y_axis, 'deliveries': shipments}, index=village) vectors = data[['x_coordinates_km', 'y_coordinates_km']].values distances = [] for village_from in range(len(village)): row = [] for village_to in range(len(village)): value = distance.euclidean(vectors[village_from], vectors[village_to]) row.append(value) distances.append(row) shipping_in_week = [] # Расчет суммарного расстояния полетов для доставок на неделю для каждого населенного пункта for i in range(len(village)): total_distance = 2 * np.dot(np.array(distances[i]), shipments) # Удваиваем расстояния и умножаем на количество доставок shipping_in_week.append(total_distance) # Добавляем результат в список shipping_in_week_df = pd.DataFrame({'distance': shipping_in_week}, index=village) # Выводим DataFrame с суммарными расстояниями print(shipping_in_week_df) # Нахождение населенного пункта с наименьшим суммарным расстоянием доставок optimal_village = shipping_in_week_df['distance'].idxmin() print() print('Населённый пункт для склада:', optimal_village)В этом решении, мы сначала рассчитываем суммарное расстояние для полётов (туда и обратно) для каждого населённого пункта, учитывая еженедельные доставки. Затем с помощью метода
idxmin()находим населённый пункт с наименьшим суммарным расстоянием доставок. Это и будет оптимальный населённый пункт для расположения склада компании. - User
total_distance = 2 * np.dot(np.array(distances[i]), shipments) обьясни код
- Assistant
Давайте разберём эту строку кода:
total_distance = 2 * np.dot(np.array(distances[i]), shipments)Этот код рассчитывает суммарное расстояние доставок из одного конкретного населенного пункта во все остальные населенные пункты, учитывая количество доставок в каждый пункт. Разберем на составные части:
-
np.array(distances[i]): Это преобразует список расстояний от данного населенного пункта до всех остальных в массив NumPy.distances[i]представляет собой список расстояний от населенного пункта с индексомiдо всех других населенных пунктов. Индексiздесь является переменной в цикле, который перебирает все населенные пункты. -
shipments: Это массив NumPy, каждый элемент которого представляет количество доставок из населенного пунктаiв другие населенные пункты. -
np.dot(...): Функцияnp.dotвычисляет скалярное произведение двух массивов. В данном случае она умножает каждый элемент массиваdistances[i](расстояния от пунктаiдо других пунктов) на соответствующий элемент массиваshipments(количество доставок в каждый из этих пунктов). Результатом является одно число — сумма произведений расстояний на количество доставок, что отражает общее расстояние на один "рейс" доставки для населенного пунктаi. -
2 * ...: Этот множитель удваивает полученное скалярное произведение, поскольку в задании учитывается, что доставка включает в себя полеты туда и обратно. Таким образом, расстояние для каждой доставки следует удваивать, чтобы получить общее расстояние для всех доставок, учитывая возврат дрона обратно в населенный пункт после каждой доставки.
В итоге,
total_distanceсодержит общее суммарное расстояние, которое потребуется преодолеть дронам из населенного пункта с индексомiдля выполнения всех недельных доставок туда и обратно. -