From 12e4f345cfcd07af45aa88743141391efa6c1b41 Mon Sep 17 00:00:00 2001
From: "bollet.c" <>
Date: Sat, 18 May 2024 21:19:37 +0200
Subject: [PATCH] manhattan

---
 ihm.py  |  7 ++++++-
 knn.py  | 23 +++++++++++++++++++++--
 test.py |  5 +++--
 3 files changed, 30 insertions(+), 5 deletions(-)

diff --git a/ihm.py b/ihm.py
index 99d3921..9a20ab1 100644
--- a/ihm.py
+++ b/ihm.py
@@ -51,6 +51,10 @@ class Interface(tk.Frame):
         self.choix_date = DateSelection(param)
         self.choix_temp_moy = TemperatureSelection(param, "Température moyenne")
         self.choix_temp_ref = TemperatureSelection(param, "Température de référence")        
+        self.EuclidOrManhattan = tk.IntVar()
+        tk.Radiobutton(tabTest, text="Distance euclidienne", variable=self.EuclidOrManhattan, value=1).pack()
+        tk.Radiobutton(tabTest, text="Distance de manhattan", variable=self.EuclidOrManhattan, value=0).pack()
+        
         
         btn_entrer = tk.Button(tabTest, text='Tester', command=lambda : self.affResTest(tabRes))
         btn_entrer.pack()
@@ -67,8 +71,9 @@ class Interface(tk.Frame):
         date_choisie = self.choix_date.get()
         temperature_moyenne = self.choix_temp_moy.get()
         temperature_ref = self.choix_temp_ref.get()
+        isEuclideanDistance = self.EuclidOrManhattan.get()
         
-        res = str(lancerTest(k, (date_choisie, temperature_moyenne, temperature_ref)))
+        res = str(lancerTest(k, (date_choisie, temperature_moyenne, temperature_ref), isEuclideanDistance))
         self.affichage_resultats['text'] = "La consommation électrique \nprévue est de " + res + " MW."
         self.tabs.select(tab)
 
diff --git a/knn.py b/knn.py
index 22e69c7..fd16ae4 100644
--- a/knn.py
+++ b/knn.py
@@ -7,7 +7,7 @@ def ecartDate(date1, date2):
     secParJour = 86400
     return delta_sec / secParJour
 
-def distance(point1, point2):
+def distance_euclide(point1, point2):
     """Prend en paramètre 2 tuples au format
     (Date du jour, Température moyenne, température de référence)
     et qui renvoie un nombre réel représentant
@@ -19,15 +19,34 @@ def distance(point1, point2):
     
     return duree**2/100 + delta_T_moy**2 + delta_T_ref**2
     
+def distance_manhattan(point1, point2):
+    """Prend en paramètre 2 tuples au format
+    (Date du jour, Température moyenne, température de référence)
+    et qui renvoie un nombre réel représentant
+    la distance de Manhattan entre ces deux points"""
+    
+    duree = abs(ecartDate(point1[0], point2[0]))
+    delta_T_moy = abs(point1[1]-point2[1])
+    delta_T_ref = abs(point1[2]-point2[2])
+    
+    return duree/100 + delta_T_moy + delta_T_ref
+
 
-def kPlusProches(point_a_verifier, tableau, k):
+
+def kPlusProches(point_a_verifier, tableau, k, isEuclideanDistance):
     """Prend en paramètres un tuple au format
     (Date du jour, Température moyenne, température de référence)
     et un tableau au format (Numéro du jour, Température moyenne, Température de référence).
+    `isEuclidDistance` : true -> euclide ; false -> manhattan
     Renvoie un tableau trié avec les k plus proches
     points de `point_a_verifier`, au format (distance, indice du tableau original)"""
     
     dist = []
+    if isEuclideanDistance:
+        distance = distance_euclide
+    else:
+        distance = distance_manhattan
+    
     for i, point in enumerate(tableau):
         dist.append((distance(point_a_verifier, point[0]), i))
     dist = sorted(dist, key=lambda t: t[0])
diff --git a/test.py b/test.py
index c789ac5..b049581 100644
--- a/test.py
+++ b/test.py
@@ -1,13 +1,14 @@
 from knn import kPlusProches
 from lecture import lecture
 
-def lancerTest(nombre_voisins, point_a_verifier):
+def lancerTest(nombre_voisins, point_a_verifier, isEuclideanDistance):
     """effectue prédiction"""
     
     fichier_apprentissage = lecture("data/pic-journalier-consommation.csv")
     k_plus_proches = kPlusProches(point_a_verifier, \
                                   fichier_apprentissage, \
-                                  nombre_voisins)
+                                  nombre_voisins,\
+                                  isEuclideanDistance)
 
     conso_prevue = 0
     liste_indices = [elem[1] for elem in k_plus_proches]