Boucler sur Python

Question

Bonjour,

J'ai un travail assez conséquent à faire sur Python, malheureusement je ne suis pas dans ce domaine et je me retrouve complètement bloquée.

J'ai une base de données, que j'ai créé, de 500 produits végétaux. On y retrouve beaucoup d'informations, mais le plus important reste leurs compositions en protéines et en acides aminés (en g/100g de produit végétal). Je souhaite crée un mélange de produits végétaux qui égalise ou surpasse (mais doit toujours être le plus proche possible) de ma référence, la whey.

Pour ceci, je souhaite utiliser Python et des boucles, comme dans une simulation de Monte Carlo. Je veux que mon programme passe en revue tous les mélanges possibles de végétaux, avec un pas de 10g et un poids max de 300g du même produit dans le mélange. Pour donner un exemple de à quoi devrait ressembler la boucle : 0g de soja + 10g de blé, puis 0g de soja + 20g de blé, puis 0g de soja + 30g de blé, etc. jusqu'au poids max, puis 10g de soja + 0g de blé, puis 20g de soja + 0g de blé, etc. ...

J'ai beau chercher par moi même sur tous les sites, je n'arrive pas à faire comprendre cette commande à Python. Voici un début de code (après import des bibliothèques et de mes données bien entendu) que je pensais juste mais qui ne l'est pas :

# Poids maximal du produit végétal
p_max = 301 #grammes

# Pas 
pas = 10 #grammes

# Boucles : 
for poids in range(0, p_max, pas):
    poids_g = poids / 100.0  # Convertir le poids en grammes
    
    # Calculer la composition en acides aminés et en protéines du mélange pour le poids retenu
    melange = np.sum(veg_data * poids_g, axis=0)
    
    if np.all(melange < ref_data):
            continue
    if np.all(melange == ref_data):
            break
    if np.all(melange > ref_data):
            break

if melange is not None : 
    # Calculer la distance par rapport à la Whey en utilisant la racine carrée de l'erreur quadratique moyenne
    difference = melange - ref_data
    mse = np.sqrt(np.mean(difference ** 2))
    print("Distance par rapport à la Whey :", mse)
    print()
    
    # Convertir melange en DataFrame
    melange_df = pd.DataFrame([melange], columns=veg_data.columns)
    # Ajouter une colonne "Type" au DataFrame melange_df pour identifier le type de données (mélange ou whey)
    melange_df.insert(0, 'Type', 'Melange')
    # Insérer une colonne "Type" au début de ref_data pour identifier le type de données (mélange ou whey)
    ref_data.insert(0, 'Type', 'Whey')
    # Concaténer les DataFrames melange_df et ref_data
    resultat_final = pd.concat([melange_df, ref_data], ignore_index=True)
    # Afficher le tableau final
    print(resultat_final)
    
    print("Quantité minimale de chaque produit végétal utilisée :", poids_g * 100, "g")

else:
    print("Aucun mélange satisfaisant trouvé.")

Je ne l'ai pas précisé ci-dessus, mais étant donné la taille de la base de données, j'ai commencé ce code pour seulement deux produits. Je me dis que si le code marche pour 2 produits, il pourra marcher pour 500 même si il me faudra surement une machine plus performante pour faire tourner ce programme.

Si vous avez une idée ou une question, je suis preneuse. Je veux vraiment faire ce travail ... Merci pour votre aide ! 
Windows / Chrome 123.0.0.0

yg_be · Answer

bonjour,

merci de partager un programme complet et testable.  donc avec les import et les données.

Tu écris "poids max de 300g du même produit", donc tu peux avoir 15kg au total?

Je suppose qu'il est inutile, après avoir testé 10g de soja + 10g de blé, de tester ensuite 20g de soja + 20g de blé, que c'est le même "mélange"?

yg_be · Answer

essaie plutôt ceci:

import itertools
import numpy as np
# Poids maximal du produit végétal
p_max = 301 #grammes

# Pas 
pas = 10 #grammes

# Boucles : 
for comb_poids in itertools.product(range(0, p_max, pas),repeat=2):
    print(comb_poids)

mamiemando · Answer

Bonjour,

Pour un faible nombre de produits, tu peux te contenter d'un produit cartésien (et donc utiliser comme yg_be le propose, itertools.product)

from itertools import product

for (i, j, k) in product(
    range(0, 5),      # i = 0, 1, 2, 3, 4
    range(1, 3),      # j = 1, 2
    range(10, 21, 5)  # k = 10, 15, 20
):
    print(i, j, k)

Cette fonction permet, de considérer un nombre arbitraire de dimension (3 dimensions dans l'exemple ci-dessus).

Maintenant, parlons complexité (algorithmique). Supposons que mes dimensions comportent chacune N éléments. Alors exécuter cette boucle se fait en O(N^3), c'est-à-dire à un coût qui croit de manière cubique avec le nombre d'éléments. Si tu as m dimensions, on a donc un coup en O(N^m) ce qui est bien trop coûteux en pratique (de manière générale, on évite d'aller au delà de m=2 pour de grands jeux de données). Ce sera donc "trop cher" d'évaluer toutes les configurations possibles.

Avant de considérer une éventuelle implémentation, l'idéal serait donc de formuler ton problème sous la forme d'un problème d'optimisation. Si tu n'es pas familière de cette discipline, peut-être peux tu exprimer les différents aspects de ton problème en français et on t'aidera à les traduire. En fonction du modèle d'optimisation obtenu, on verra quelle est la manière la plus efficace de le résoudre. Je m'explique.

De manière générale, quand tu modélises un problème d'optimisation, il faut caractériser :

L'objectif : ce que tu cherches à optimiser (soit minimiser, soit maximiser)
	Les variables de décisions : dans ton cas la quantité de chaque type d'ingrédient
	Les contraintes :
	
		Contraintes de domaines : quel est le domaine de définition de chaque variable de décision
		Autre contraintes : potentiellement n'importe quoi, par exemple la quantité totale d'ingrédient A + d'ingrédient B ne doit pas excéder une certaine masse.

D'un point de vue pratique, on préfère :

les objectifs formulés sous forme d'une fonction linéaire ;
	les variables continues (par opposition aux variables discrètes) ;
	les contraintes linéaires.

... car on tombe alors sur un programme linéaire qui se résout rapidement et facilement (par exemple en python avec PuLP).

Bonne chance

Boucler sur Python

3 réponses

Votre réponse

Discussions similaires