Tiwtorial III: Casglu Canlyniadau

Yn y tiwtorialau diwethaf gwnaethon ni diffinio ac efelychu banc am ddiwrnod, a gwelon ni sut i mynedu rhannau o'r injan efelychu:

>>> import ciw
>>> N = ciw.create_network(
...     arrival_distributions=[ciw.dists.Exponential(0.2)],
...     service_distributions=[ciw.dists.Exponential(0.1)],
...     number_of_servers=[3]
... )
>>> ciw.seed(1)
>>> Q = ciw.Simulation(N)
>>> Q.simulate_until_max_time(1440)

Yn cloi, gallwn ni cael rhestr o'r holl gofnodion data a chasglwyd gan holl gwsmeriaid a gorffennodd o leiaf un gwasanaeth, gan ddefnyddio'r dull get_all_records o'r gwrthrych Simulation:

>>> recs = Q.get_all_records()

Mae hwn yn rhoi rhestr o tuples enwedig. Mae pob tuple yn cynnwys y wybodaeth ganlynol:

  • id_number

  • customer_class

  • node

  • arrival_date

  • waiting_time

  • service_start_date

  • service_time

  • service_end_date

  • time_blocked

  • exit_date

  • destination

  • queue_size_at_arrival

  • queue_size_at_departure

Roddir mwy o wybodaeth ar bob un o rain yn Rhestr Canlyniadau.

Gan ddefnyddio cyfansoddiad rhestrau, gallwn ni cael rhestrau o ba bynnag ystadegyn a hoffwn:

>>> # Rhestr o amseroedd wasanaeth
>>> servicetimes = [r.service_time for r in recs]
>>> servicetimes
[2.94463..., 5.96912..., 18.80156..., ..., 33.18376...]

>>> # Rhestr o'r amseroedd aros
>>> waits = [r.waiting_time for r in recs]
>>> waits
[0.0, 0.0, 0.0, 0.20439..., ..., 0.0]

Nawr fe allwn gael ystadegau cryno trwy drin y rhestrau yma:

>>> mean_service_time = sum(servicetimes) / len(servicetimes)
>>> mean_service_time
10.647482...

>>> mean_waiting_time = sum(waits) / len(waits)
>>> mean_waiting_time
4.230543...

Rydym nawr yn gwybod yr amser aros cymedrig y cwsmeriaid! Yn y tiwtorial nesaf fe fyddwn yn dangos sut i gael canlyniadau mwy cynrychioliadol (oherwydd fe efelychon ni am un diwrnod penodol yn unig fan hyn).

Gan ddefnyddio llyfrgelloedd arall gallwn dderbyn ystadegau cryno pellach. Rydyn ni yn awgrymu numpy, pandas a matplotlib. Mae'r rhain yn rhoi'r gallu i archwilio ystadegau arall, a phlotio. Crëwyd yr histogram o amseroedd aros isod gan ddefnyddio matplotlib, yn defnyddio'r cod canlynol:

>>> import matplotlib.pyplot as plt 
>>> plt.hist(waits);
Histogram o amseroedd aros ar gyfer Tiwtorial III.

Os hoffwch chi weld pa mor brysur neu segur mae'r gweinyddion wedi bod trwy rediad yr efelychiad, gallwn edrych ar server_utilisation y nod. Hwn yw defnydd cymedrig pob gweinydd, sy'n hafal i faint o amser roedd y gweinydd yn brysur (gyda chwsmer), wedi rhannu gyda chyfanswm yr amser roedd y gweinydd ar ddyletswydd:

>>> Q.transitive_nodes[0].server_utilisation
0.75288...

Felly yn ein banc, ar gyfartaledd roedd y gweinyddion yn brysur 75.3% o'r amser.

Yn y tiwtorial nesaf dangoswn ni sut i ddefnyddio Ciw i gael canlyniadau dibynadwy, ac o'r diwedd ffeindio'r amser aros cymedrig ar gyfer y banc.