Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-2024-08-06· OpenAIAi2 WildChat-4.8M (AI2)

у меня есть программа import numpy as np import pandas as pd import matplotlib.pyplot as…

  1. User

    у меня есть программа

    import numpy as np import pandas as pd import matplotlib.pyplot as plt

    Функция генерирования маски def get_mask(secret_word, current_guess): mask = ['-'] * len(secret_word) secret_word_list = list(secret_word)

    Первый прогон для определения полного совпадения

    for i in range(len(current_guess)): if current_guess[i] == secret_word[i]: mask[i] = '!'

    Второй прогон для определения присутствия

    for i in range(len(current_guess)): if mask[i] == '-' and current_guess[i] in secret_word_list: mask[i] = '+' return ''.join(mask)

    words_array = np.loadtxt("rus5_.txt", dtype=str)

    Боты загадывающих setter_name = np.array(["Только первое слово", "Первые 6 слов"]) n_setter = setter_name.size

    Только первое слово def set_word_1(words_array): return np.full(6, words_array[0])

    Первые 6 слов def set_word_2(words_array): return words_array[:6]

    Боты отгадывающих guesser_name = np.array(["Только первое слово", "Случайные слова"]) n_guesser = guesser_name.size

    Только первое слово def guess_word_1(guessed_list, mask_list, words_array): return words_array[0]

    Случайные слова def guess_word_2(guessed_list, mask_list, words_array): return np.random.choice(words_array)

    Турнир words_array = np.loadtxt("rus5_.txt", dtype = str) n_game = 6 n_attampt = 6 setter_points = np.zeros(n_setter) guesser_points = np.zeros(n_guesser) result = np.zeros((n_setter, n_guesser, 2))

    for setter in range(n_setter): for guesser in range(n_guesser): secret_list = eval("set_word_" + str(setter + 1) + "(words_array)") for game in range(n_game): if secret_list[game] not in words_array: result[setter][guesser][1] += 6 guesser_points[guesser] += 6 break guessed_list = np.array([], dtype = str) mask_list = np.array([], dtype = str) flag = 0 for attempt in range(n_attampt): current_guess = eval("guess_word_" + str(guesser + 1) + "(guessed_list, mask_list, words_array)") if current_guess not in words_array: result[setter][guesser][0] += 6 setter_points[setter] += 6 flag = 1 break current_mask = get_mask(secret_list[game], current_guess) if current_mask == '!!!!!': result[setter][guesser][0] += attempt setter_points[setter] += attempt result[setter][guesser][1] += 6 - attempt guesser_points[guesser] += 6 - attempt flag = 1 break else: guessed_list = np.append(guessed_list, current_guess) mask_list = np.append(mask_list, current_mask) if flag == 0: result[setter][guesser][0] += 6 setter_points[setter] += 6

    ind_sort = np.argsort(-setter_points) df = pd.DataFrame({'Стратегия загадывания': setter_name[ind_sort], 'Очков': setter_points[ind_sort]}) print(df)

    ind_sort = np.argsort(-guesser_points) df = pd.DataFrame({'Стратегия угадывания': guesser_name[ind_sort], 'Очков': guesser_points[ind_sort]}) print(df)

    fig, ax = plt.subplots() combined_values = np.empty((n_setter, n_guesser), dtype=object) for i in range(n_setter): for j in range(n_guesser): combined_values[i, j] = f"{result[i, j, 0]}\n{result[i, j, 1]}" cax = ax.matshow(np.zeros((n_setter, n_guesser)), cmap='viridis') for (i, j), value in np.ndenumerate(combined_values): ax.text(j, i, value, ha='center', va='center', color='white') plt.xticks(range(len(guesser_name)), guesser_name) plt.yticks(range(len(setter_name)), setter_name) plt.show()

    мне нужно придумать новые способы загадывания и угадывания что бы они были лучшими

  2. Assistant

    Чтобы придумать новые стратегии загадывания и угадывания, которые будут более эффективными, чем существующие, можно применить подходы, основанные на некоторых принципах оптимизации и интеллектуальных методах. Вот несколько предложений для нового способа загадывания и угадывания:

    Способы загадывания:

    1. ZWord Selection:

      • Проверять слова на уникальность и частоту встречаемости каждой буквы в списке. Загадывать слово, которое содержит наиболее часто используемые буквы, минимизируя пересечения с предыдущими загадками.
    2. Случайное редуцирование:

      • Выбирать случайные слова, но с дополнительным редуцированием на основе некоторого критерия (например, выбирать только те слова, которые содержат редкие или наиболее часто использованные ранее буквы).
    3. Контролируемая редкость:

      • Использовать предварительную обработку списка слов, чтобы загадывать сложные и редко используемые слова, максимизируя вызов для угадывающих ботов.

    Способы угадывания:

    1. Частотный анализ:

      • Построить частотный словарь букв и угадывать слова на основе филтрации тех, которые содержат наиболее часто встречающиеся буквы из оставшихся возможных.
    2. Эволюционное поколение:

      • Использовать генетические алгоритмы для генерирования предположений. Начинать с нескольких случайных слов и постепенно эволюционировать их, чтобы они более точно приближались к загаданному слову.
    3. Интеллектуальная фильтрация:

      • Строить списки возможных слов на базе текущих подсказок и фильтровать их для минимизации множества возможных слов, учитывая предыдущие попытки и их маски.

    Реализация новых стратегий:

    Чтобы реализовать данные подходы, потребуется переписать или добавить функции, которые будут использовать данные стратегии. Например:

    # Новый метод загадывания
    def set_word_3(words_array):
        # Используем частотный анализ букв в words_array и выбираем слово с наибольшей суммой частот
        letter_counts = {char:0 for char in 'абвгдежзиклмнопрстуфхцчшщыьэюя'}
        for word in words_array:
            for char in word:
                letter_counts[char] += 1
    
        max_freq_word = max(words_array, key=lambda word: sum(letter_counts[char] for char in word))
        return np.full(6, max_freq_word)
    
    # Новый метод угадывания
    def guess_word_3(guessed_list, mask_list, words_array):
        # Редуцируем возможные слова на основе ранее полученных масок
        possible_words = [
            word for word in words_array if all(
                get_mask(word, guessed_word) == mask for guessed_word, mask in zip(guessed_list, mask_list)
            )
        ]
        
        # Сортируем возможные слова по частоте встречаемости букв
        letter_counts = {char:0 for char in 'абвгдежзиклмнопрстуфхцчшщыьэюя'}
        for word in possible_words:
            for char in word:
                letter_counts[char] += 1
        
        if possible_words:
            return max(possible_words, key=lambda word: sum(letter_counts[char] for char in word))
        else:
            return np.random.choice(words_array)  # На случай отсутствия возможных слов
    

    Эти приемы гарантируют динамическое адаптирование в процессе игры, что может повысить их эффективность по сравнению с простыми стратегиями. Вы можете расширять возможности этих функций и дальше, к примеру, за счёт использования методов машинного обучения для обучения более сложных моделей угадывания и загадывания.

  3. User

    KeyError Traceback (most recent call last) Cell In[159], line 11 9 for setter in range(n_setter): 10 for guesser in range(n_guesser): ---> 11 secret_list = eval("set_word_" + str(setter + 1) + "(words_array)") 12 for game in range(n_game): 13 if secret_list[game] not in words_array:

    File :1

    Cell In[155], line 18, in set_word_3(words_array) 16 for word in words_array: 17 for char in word: ---> 18 letter_counts[char] += 1 20 max_freq_word = max(words_array, key=lambda word: sum(letter_counts[char] for char in word)) 21 return np.full(6, max_freq_word)

    KeyError: 'й'

  4. Assistant

    Ошибка KeyError: 'й' возникает потому, что буква 'й' встречается в вашем наборе данных words_array, но отсутствует в изначально заданном словаре letter_counts. Чтобы разрешить эту проблему, нужно убедиться, что ваш словарь содержит все возможные буквы, которые могут встречаться в words_array.

    Вот обновлённая версия функции, включающая все возможные буквы русского алфавита:

    def set_word_3(words_array):
        # Учитываем все буквы русского алфавита, включая 'й'
        letter_counts = {char: 0 for char in 'абвгдежзийклмнопрстуфхцчшщыьэюя'}
        for word in words_array:
            for char in word:
                if char in letter_counts:
                    letter_counts[char] += 1
    
        max_freq_word = max(words_array, key=lambda word: sum(letter_counts.get(char, 0) for char in word))
        return np.full(6, max_freq_word)
    

    Кроме того, добавлена проверка на наличие символа в словаре для случая, если words_array может содержать и другие символы, например, дефисы или пробелы:

    1. Расширил словарь всеми буквами алфавита, включая 'й'.
    2. Добавлена проверка letter_counts.get(char, 0) в выражении для вычисления суммы частот, чтобы избежать ошибок для символов, которых нет в словаре.

    Теперь функция set_word_3 должна корректно обрабатывать слова из вашего набора данных. Если какие-то слова содержат символы, которые не указаны в словаре частот, они будут обработаны без ошибок.