Βασικές έννοιες: ακρίβεια αριθμών, είσοδοι και πολυπλοκότητα — DedSec Project

Ακρίβεια αριθμών και χρηματικά ποσά

Το πρόβλημα και η ουσία

Οι binary floats δεν αναπαριστούν ακριβώς κάθε δεκαδικό. Επαναλαμβανόμενη στρογγυλοποίηση μπορεί να οδηγήσει σε λάθος σύνολα. Επέλεξε ακέραια cents ή Decimal με ρητό rounding rule και μη χρησιμοποιείς εμφανιζόμενα strings ως αριθμούς.

Παράδειγμα

from decimal import Decimal, ROUND_HALF_UP
price = Decimal('19.99')
vat = Decimal('0.24')
total = (price * (1 + vat)).quantize(Decimal('0.01'), rounding=ROUND_HALF_UP)
assert total == Decimal('24.79')
print(total)

Ανεξάρτητος έλεγχος

Αναμενόμενο: 24.79. Δοκίμασε τρεις γραμμές τιμολογίου, σύγκρινε rounding ανά γραμμή και στο σύνολο. Έλεγξε αρνητική διόρθωση, ποσότητα μηδέν και νόμισμα με άλλη υποδιαίρεση. Εξήγησε γιατί η πολιτική είναι αναπαραγώγιμη.

Επίσημη τεκμηρίωση: https://docs.python.org/3/library/decimal.html

Ανάλυση και έλεγχος εισόδου

Αρχή σχεδιασμού

Parsing μετατρέπει κείμενο σε δομημένες τιμές· validation ελέγχει domain rules. Σωστό JSON μπορεί να περιέχει negative counts ή άγνωστα keys.

Πρακτική περίπτωση

import json
obj=json.loads('{"count":4}')
if set(obj)!={'count'} or type(obj['count']) is not int or obj['count']<0:raise ValueError()
assert obj['count']==4

Ανεξάρτητη άσκηση

Άλλαξε JSON σε list, string count, boolean count και extra key. Ξεχώρισε JSONDecodeError από schema error.

Τεκμήρια για review

Για Parsing and validation, αναγνώρισε αποτυχία πέρα από το happy path και πρότεινε συγκεκριμένο test. Κατάγραψε πρώτα expected result και έλεγξε το boundary σε ασφαλές δοκιμαστικό περιβάλλον.

Πολυπλοκότητα χρόνου

Μηχανισμός και όρια

Η χρονική πολυπλοκότητα περιγράφει πώς αυξάνονται οι πράξεις με το μέγεθος, όχι εγγυημένα milliseconds. Linear scan κάνει έως n ελέγχους· δύο πλήρεις nested loops n². Σε μικρά n οι constants και το setup επηρεάζουν.

Παράδειγμα υλοποίησης

def pair_count(n):
    return sum(1 for i in range(n) for j in range(n))
assert pair_count(10)==100

Αναπαραγωγή και έλεγχος

Μέτρησε n=50,100,200 και πλήθος iterations, όχι μόνο wall time. Σύγκρινε factors με single-loop function και πρόσεξε measurement noise.

Απαραίτητα τεκμήρια

Για Time complexity, κατέγραψε ποια είσοδος αλλάζει το αποτέλεσμα, ποια πράξη ευθύνεται και ένα test που θα αποκάλυπτε λάθος. Μέτρησε μνήμη ή χρόνο όταν επηρεάζουν τον ισχυρισμό και μην θεωρείς ένα demo απόδειξη για όλες τις εισόδους.

Πολυπλοκότητα μνήμης

Μηχανισμός και όρια

Η χωρική πολυπλοκότητα μετρά επιπλέον μνήμη σε σχέση με την είσοδο. Νέα λίστα μετασχηματισμού χρειάζεται O(n), ενώ generator μπορεί να κρατά O(1) state αν ο consumer καταναλώνει σταδιακά.

Παράδειγμα υλοποίησης

def squares(values):
    for n in values: yield n*n
assert list(squares(range(4)))==[0,1,4,9]

Αναπαραγωγή και έλεγχος

Σύγκρινε list(squares(range(n))) με sum(squares(range(n))) και μέτρησε μνήμη. Generator δεν εξοικονομεί αν κάνεις άμεσα materialize.

Απαραίτητα τεκμήρια

Για Space complexity, κατέγραψε ποια είσοδος αλλάζει το αποτέλεσμα, ποια πράξη ευθύνεται και ένα test που θα αποκάλυπτε λάθος. Μέτρησε μνήμη ή χρόνο όταν επηρεάζουν τον ισχυρισμό και μην θεωρείς ένα demo απόδειξη για όλες τις εισόδους.