第一次个人编程作业

这个作业属于课程	软件工程
这个作业的要求在哪里	个人项目作业
这个作业的目标是	完成论文查重程序

GitHub：
820831320/3118005409

PSP

PSP 2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划
- Estimate	估计这个任务需要多少时间	60	45
Development	开发
- Analysis	需求分析（包括学习新技术）	240	120
- Design Spec	生成设计文档	60	30
- Design Review	设计复审	60	30
- Coding Standard	代码规范（为目前的开发制定合适的规范）	30	40
- Design	具体设计	120	125
- Coding	具体编码	120	180
- Code Review	代码复审	60	70
- Test	测试（自我测试、修改代码、提交修改）	180	240
Reporting	报告
- Test Report	测试报告	30	60
- Size Measurement	计算工作量	30	20
- Postmortem & Process Improvement Plan	事后总结，并提出过程改进计划	60	60
Sum	合计	1020	1020

接口设计

一共设计了五个函数进行程序运行
函数为：

• is_blank
• re_jieba_han()
• count()
• merge_word()
• change()
• cosine_similarity()

re_jieba_han（）

通常情况下会对文档先进行一遍提取分词，然后再对文档中的标点符号使用re模块函数进行去除标点符号。

该函数在读取的时候就直接选择性读取``

结果减少了对文档的操作时间，提高效率

性能分析

性能图

其中整个程序中最消耗时间的是 change () 函数，

函数改进仅对 re_jieba_han () 进行了性能优化

优化前

函数对文档先进行了提取，再进行标点符号的清除

优化后

直接进行筛选读取

单元测试

程序代码覆盖率

测试 re_jieba_han ()

测试样例及其结果

• 
• 
• 
• 
• 
• 
• 
• 
• 
• 

十个测试用例同时测试了包含汉字、数字、英语以及特殊标点符号的文件，函数成功运行

代码覆盖率：

测试 count ()

沿用上一次是的结果测试该函数

成功生成字典，并且词频统计正确

代码覆盖率：

测试 cosine_similarity ()

测试算法函数，需要输入两个列表作为两个文本的转化向量来进行计算测试，所以设计了自动生成列表函数并通过循环自动测试十次

def create_vec():
    a = rd.randint(0,10,(5,5))
    a2 = a.reshape(25, order='C')
    return a2

def cosine_similarity(x, y, norm=False):
    
    assert len(x) == len(y), "len(x) != len(y)"
    zero_list = [0] * len(x)
    if (x == zero_list).all() or (y == zero_list).all():
        return float(1) if x == y else float(0)

    res = np.array([[x[i] * y[i], x[i] * x[i], y[i] * y[i]] for i in range(len(x))])
    cos = sum(res[:, 0]) / (np.sqrt(sum(res[:, 1])) * np.sqrt(sum(res[:, 2])))

    return 0.5 * cos + 0.5 if norm else cos

if __name__ == '__main__':
    i = 1
    while i < 11:
        vec1 = create_vec()
        vec2 = create_vec()
        result = cosine_similarity(vec1,vec2)
        print("第 %d 次测试" %i)
        print("这是向量1",vec1)
        print("这是向量2",vec2)
        i = i+1
        print(result)

代码覆盖率：

异常处理

对空文件的异常处理

当输入的两个文件中有一个为空文件，即停止程序并提醒文件为空

总结

使用PSP感受

对于PSP一开始看着感觉很虚，似乎是随便填的，主要是第一次规范的填写自己的时间花在了那里，让人难以捉摸。但是这个确实可以让自己明白自己的大概花在了哪里，能有针对性的提升

jieba算法

结巴算法中有 jieba.cut() 和 jieba.lcut()，他们的区别是jieba.cut() 生成的是一个生成器，需要通过循环来把分好的词一个一个取出来放入列表里，但是 jieba.lcut() 可以直接得到一个列表，这一次使用的是jieba.cut()

Numpy中关于列表的条件判别

当使用 if x == zero_list or y == zero_list 时 x，y ，zero_list三个列表长度一样的时候可能出现判别模糊，因为 x == zero_list 可能数值上不相等但是逻辑上相等。因此可能需要使用a.any() 或者 a.all()来判别
即：if (x == zero_list).all() or (y == zero_list).all():

具体参考 Python-numpy逻辑报错