# Αναπαράσταση δεδομένων

> Δυαδικό και δεκαεξαδικό, αρνητικοί αριθμοί, χαρακτήρες και Unicode.

Πληροφορική, Β΄ Λυκείου. https://www.akademio.gr/el/lyk-b/informatics/data-representation

## Τι θα μάθεις

- Να μετατρέπεις αριθμούς ανάμεσα στο δεκαδικό, το δυαδικό και το δεκαεξαδικό σύστημα.
- Να γράφεις αρνητικούς ακέραιους σε 8 bit με συμπλήρωμα ως προς 2 και να ξέρεις το εύρος τους.
- Να εξηγείς πώς κωδικοποιούνται οι χαρακτήρες στο ASCII και στο Unicode.
- Να υπολογίζεις πόσα bytes πιάνει ένα κείμενο στο UTF-8, με ελληνικά και λατινικά γράμματα.

## Bit και byte

Ο υπολογιστής αποθηκεύει τα πάντα ως σειρές από **bit** (binary digit), δηλαδή ψηφία που παίρνουν μόνο δύο τιμές, $0$ και $1$. Οκτώ bit κάνουν ένα **byte**. Με $k$ bit φτιάχνονται $2^k$ διαφορετικοί συνδυασμοί: ένα byte έχει $2^8 = 256$.

> **Κλειδί**
>
> **Τα bits δεν έχουν νόημα από μόνα τους. Το νόημα το δίνει ο κανόνας με τον οποίο τα διαβάζεις.**
>
> Το byte `01000001` είναι ο αριθμός $65$ αν το διαβάσεις ως ακέραιο, και το γράμμα «A» αν το διαβάσεις ως χαρακτήρα ASCII. Το byte `11010011` είναι $211$ ως ακέραιος χωρίς πρόσημο και $-45$ ως ακέραιος με πρόσημο. Η μνήμη δεν ξέρει ποιο από τα δύο εννοείς· το ξέρει μόνο το πρόγραμμα.

## Τρία συστήματα αρίθμησης

Όλα είναι **θεσιακά**: η αξία ενός ψηφίου εξαρτάται από τη θέση του. Στο δεκαδικό κάθε θέση αξίζει δέκα φορές την προηγούμενη, στο δυαδικό δύο, στο δεκαεξαδικό δεκαέξι. Το δεκαεξαδικό χρειάζεται δεκαέξι ψηφία, οπότε μετά το $9$ χρησιμοποιεί τα γράμματα A έως F για τις τιμές $10$ έως $15$.

| Δεκαδικό | Δυαδικό | Δεκαεξαδικό |
| -------- | ------- | ----------- |
| $0$      | `0000`  | `0`         |
| $5$      | `0101`  | `5`         |
| $9$      | `1001`  | `9`         |
| $10$     | `1010`  | `A`         |
| $13$     | `1101`  | `D`         |
| $15$     | `1111`  | `F`         |

**Από δυαδικό σε δεκαδικό:** πρόσθεσε τις δυνάμεις του $2$ που αντιστοιχούν στους άσσους.

$$
\begin{aligned}
101101_2 &= 1 \cdot 2^5 + 0 \cdot 2^4 + 1 \cdot 2^3 \\
&\quad + 1 \cdot 2^2 + 0 \cdot 2^1 + 1 \cdot 2^0 \\
&= 32 + 8 + 4 + 1 = 45_{10}
\end{aligned}
$$

**Από δεκαδικό σε δυαδικό:** διαίρεσε διαδοχικά με το $2$ και κράτα τα υπόλοιπα. Το αποτέλεσμα διαβάζεται **από κάτω προς τα πάνω**.

| Διαίρεση | Πηλίκο | Υπόλοιπο |
| -------- | ------ | -------- |
| $45 : 2$ | $22$   | $1$      |
| $22 : 2$ | $11$   | $0$      |
| $11 : 2$ | $5$    | $1$      |
| $5 : 2$  | $2$    | $1$      |
| $2 : 2$  | $1$    | $0$      |
| $1 : 2$  | $0$    | $1$      |

Από κάτω προς τα πάνω: `101101`.

**Ανάμεσα σε δυαδικό και δεκαεξαδικό** η μετατροπή είναι σχεδόν δωρεάν, γιατί $16 = 2^4$: κάθε δεκαεξαδικό ψηφίο αντιστοιχεί σε ακριβώς τέσσερα bit. Χωρίζεις σε τετράδες από τα δεξιά: `0010 1101` γίνεται `2D`. Γι' αυτό το δεκαεξαδικό χρησιμοποιείται παντού στην πληροφορική: ένα byte γράφεται με δύο ψηφία αντί για οκτώ. Τα χρώματα στις ιστοσελίδες, όπως `#FF8800`, είναι τρία bytes σε δεκαεξαδικό: κόκκινο $255$, πράσινο $136$, μπλε $0$.

## Αρνητικοί αριθμοί: συμπλήρωμα ως προς 2

Η πρώτη ιδέα είναι να αφιερώσεις ένα bit στο πρόσημο. Έχει όμως δύο προβλήματα: υπάρχουν δύο μηδενικά, το $+0$ και το $-0$, και η πρόσθεση θέλει ειδικούς κανόνες για τα πρόσημα. Οι υπολογιστές χρησιμοποιούν αντί γι' αυτό το **συμπλήρωμα ως προς 2** (two's complement).

Για να γράψεις το $-x$ σε $8$ bit:

1. Γράψε το $x$ σε $8$ bit.
2. **Αντέστρεψε** κάθε bit: τα $0$ γίνονται $1$ και τα $1$ γίνονται $0$.
3. **Πρόσθεσε $1$.**

| Βήμα               | Για το $-45$ |
| ------------------ | ------------ |
| το $45$ σε $8$ bit | `00101101`   |
| αντιστροφή         | `11010010`   |
| συν $1$            | `11010011`   |

Το αριστερότερο bit λειτουργεί ως bit προσήμου: $0$ για μη αρνητικούς, $1$ για αρνητικούς. Το μεγάλο πλεονέκτημα φαίνεται στην πρόσθεση:

```text
  00101101    (+45)
+ 11010011    (-45)
----------
1 00000000    το ένατο bit δεν χωράει στα 8 και απορρίπτεται
```

Το αποτέλεσμα είναι $0$, με την **ίδια** πρόσθεση που κάνει η ΑΛΜ για τους θετικούς. Ένα κύκλωμα αρκεί και για τα δύο.

> **Θυμήσου**
>
> **Εύρος σε $8$ bit:**
>
> - χωρίς πρόσημο: από $0$ έως $255$
> - με συμπλήρωμα ως προς 2: από $-128$ έως $127$
>
> Γενικά, με $k$ bit το συμπλήρωμα ως προς 2 καλύπτει από $-2^{k-1}$ έως $2^{k-1} - 1$. Υπάρχει ένας αρνητικός περισσότερος από τους θετικούς, γιατί το μηδέν «πιάνει» μία από τις θέσεις με bit προσήμου $0$.

> **Πρόσεχε**
>
> **Υπερχείλιση** (overflow): σε $8$ bit με πρόσημο, $127 + 1$ δίνει `01111111 + 00000001 = 10000000`, που διαβάζεται ως $-128$. Ο αριθμός «τυλίγεται» από το μέγιστο στο ελάχιστο.
>
> Δεν είναι θεωρητικό ζήτημα. Πραγματικά προγράμματα έχουν αποτύχει επειδή ένας μετρητής ξεπέρασε το εύρος του τύπου του. Η Python σε προστατεύει, γιατί οι ακέραιοί της μεγαλώνουν όσο χρειάζεται· οι περισσότερες γλώσσες όχι.

## Χαρακτήρες: ASCII και Unicode

Για να γραφτεί κείμενο, κάθε χαρακτήρας αντιστοιχίζεται σε έναν αριθμό. Ο πρώτος διαδεδομένος πίνακας ήταν το **ASCII** (1963): $7$ bit, $128$ χαρακτήρες, με τα λατινικά γράμματα, τα ψηφία, τα σημεία στίξης και μερικούς χαρακτήρες ελέγχου.

| Χαρακτήρας | Κωδικός ASCII | Δυαδικό    | Δεκαεξαδικό |
| ---------- | ------------- | ---------- | ----------- |
| `0`        | $48$          | `00110000` | `30`        |
| `A`        | $65$          | `01000001` | `41`        |
| `a`        | $97$          | `01100001` | `61`        |

Τα κεφαλαία και τα πεζά απέχουν ακριβώς $32$, δηλαδή ένα μόνο bit. Τα ελληνικά δεν χωρούσαν στο ASCII, και για χρόνια χρησιμοποιούνταν πίνακες $8$ bit ειδικά για τα ελληνικά. Ένα αρχείο γραμμένο με έναν πίνακα και διαβασμένο με άλλον έβγαζε ακατάληπτα σύμβολα.

Η λύση ήρθε με το **Unicode**: ένας ενιαίος κατάλογος που δίνει σε κάθε χαρακτήρα κάθε γραφής έναν αριθμό, το **σημείο κώδικα** (code point). Το «A» είναι `U+0041`, το «Γ» είναι `U+0393`, το «α» είναι `U+03B1`. Ο κατάλογος έχει χώρο για πάνω από ένα εκατομμύριο χαρακτήρες.

Το Unicode λέει **ποιος αριθμός**. Το **UTF-8** λέει **πώς γράφεται σε bytes**, και χρησιμοποιεί **μεταβλητό μήκος**:

| Χαρακτήρες                                                  | Bytes στο UTF-8 | Παράδειγμα         |
| ----------------------------------------------------------- | --------------- | ------------------ |
| οι $128$ του ASCII                                          | $1$             | «A» → `41`         |
| ελληνικά, κυριλλικά, αραβικά και άλλα                       | $2$             | «Γ» → `CE 93`      |
| τα περισσότερα υπόλοιπα, π.χ. κινεζικά, το σύμβολο του ευρώ | $3$             | «€» → `E2 82 AC`   |
| emoji και σπάνιοι χαρακτήρες                                | $4$             | 😀 → `F0 9F 98 80` |

Το έξυπνο στο UTF-8 είναι ότι ένα κείμενο γραμμένο μόνο σε ASCII είναι **ήδη** έγκυρο UTF-8, byte προς byte. Γι' αυτό επικράτησε: σήμερα η συντριπτική πλειονότητα των ιστοσελίδων είναι σε UTF-8.

```python
for s in ["A", "Γ", "€", "Γεια", "Hi"]:
    print(s, len(s), len(s.encode("utf-8")))

print(ord("A"), chr(97), hex(ord("Γ")))
print(bin(45), hex(45), int("101101", 2))
print(format(-45 & 0xFF, "08b"))  # το -45 σε 8 bit, συμπλήρωμα ως προς 2
```

Η πρώτη επανάληψη τυπώνει για το «Γεια» `4` χαρακτήρες και `8` bytes, για το «Hi» `2` και `2`. Οι τρεις τελευταίες γραμμές τυπώνουν `65 a 0x393`, `0b101101 0x2d 45` και `11010011`.

> **Πρόσεχε**
>
> **Χαρακτήρες και bytes δεν είναι το ίδιο.** Το `len("Γεια")` στην Python δίνει $4$, αλλά το ίδιο κείμενο πιάνει $8$ bytes σε αρχείο UTF-8. Όταν ένα σύστημα μετρά bytes και όχι χαρακτήρες, τα ελληνικά «χωράνε» τα μισά.
>
> Κι αν ένα αρχείο UTF-8 διαβαστεί με λάθος κωδικοποίηση, το «Γεια» γίνεται κάτι σαν «Î“ÎµÎ¹Î±»: κάθε ελληνικό γράμμα σπάει στα δύο bytes του, και το καθένα διαβάζεται ως ξεχωριστό σύμβολο.

## Παραδείγματα

### Παράδειγμα 1: Γράψε το \$200\_{10}\$ στο δυαδικό και στο δεκαεξαδικό.

1. **Διαδοχικές διαιρέσεις:** $200, 100, 50, 25, 12, 6, 3, 1$ με υπόλοιπα $0, 0, 0, 1, 0, 0, 1, 1$.
2. **Από κάτω προς τα πάνω:** `11001000`. Έλεγχος: $128 + 64 + 8 = 200$.
3. **Σε τετράδες:** `1100 1000`, δηλαδή $12$ και $8$, άρα `C8`.

### Παράδειγμα 2: Γράψε το \$-20\$ σε \$8\$ bit με συμπλήρωμα ως προς 2 και έλεγξε το αποτέλεσμα.

1. **Το $20$ σε $8$ bit:** $16 + 4$, άρα `00010100`.
2. **Αντιστροφή:** `11101011`.
3. **Συν $1$:** `11101100`, δηλαδή `EC` σε δεκαεξαδικό.
4. **Έλεγχος:** ως αριθμός χωρίς πρόσημο το `11101100` είναι $236$, και $236 - 256 = -20$. Σε $8$ bit, ένα byte με bit προσήμου $1$ αξίζει την τιμή του μείον $256$.

### Παράδειγμα 3: Πόσα bytes πιάνει στο UTF-8 το κείμενο «Καλημέρα!»;

1. **Μέτρα τους χαρακτήρες:** οκτώ ελληνικά γράμματα και ένα θαυμαστικό, σύνολο $9$.
2. **Κάθε ελληνικό γράμμα** θέλει $2$ bytes, και ο τονισμένος «έ» επίσης: $8 \cdot 2 = 16$.
3. **Το θαυμαστικό** είναι χαρακτήρας ASCII: $1$ byte.
4. **Σύνολο $17$ bytes** για $9$ χαρακτήρες. Το ίδιο μήκος στα λατινικά, π.χ. «Kalimera!», θα έπιανε $9$.

## Ερωτήσεις

1. Ποια είναι η δεκαδική τιμή του δυαδικού `110101`;
   - $53$
   - $43$
   - $110\,101$
   - $4$
2. Ποιο είναι το δεκαεξαδικό του δυαδικού `1011 1110`;
   - `BE`
   - `EB`
   - `1114`
   - `AE`
3. Ποιο είναι το $-1$ σε $8$ bit με συμπλήρωμα ως προς 2;
   - `11111111`
   - `10000001`
   - `11111110`
   - `10000000`
4. Ποιο είναι το εύρος των ακεραίων σε $8$ bit με συμπλήρωμα ως προς 2;
   - από $-128$ έως $127$
   - από $-127$ έως $127$
   - από $0$ έως $255$
   - από $-256$ έως $255$
5. Σε $8$ bit με πρόσημο, πόσο κάνει $127 + 1$;
   - $-128$
   - $128$
   - $0$
   - μήνυμα σφάλματος, πάντα
6. Το «A» έχει κωδικό ASCII $65$. Ποιος είναι ο κωδικός του «d»;
   - $100$
   - $68$
   - $4$
   - $97$
7. Ποια είναι η σχέση Unicode και UTF-8;
   - το Unicode δίνει αριθμό σε κάθε χαρακτήρα, το UTF-8 ορίζει πώς γράφεται ο αριθμός σε bytes
   - είναι δύο ονόματα για το ίδιο πράγμα: έναν πίνακα που δίνει αριθμό σε κάθε χαρακτήρα
   - το UTF-8 είναι η παλιά εκδοχή με λίγους χαρακτήρες, το Unicode η νέα που τους έχει όλους
   - το UTF-8 καλύπτει μόνο λατινικούς χαρακτήρες, το Unicode όλα τα αλφάβητα του κόσμου
8. Πόσα bytes πιάνει στο UTF-8 η λέξη «Γεια»;
   - $8$
   - $4$
   - $16$
   - $32$
9. Ένα byte στη μνήμη περιέχει `01000001`. Τι σημαίνει;
   - εξαρτάται από το πώς το διαβάζει το πρόγραμμα
   - πάντα τον αριθμό $65$
   - πάντα το γράμμα «A»
   - έναν αρνητικό αριθμό, αφού έχει άσσους
10. Γιατί στην πληροφορική χρησιμοποιείται τόσο το δεκαεξαδικό;
   - γιατί κάθε ψηφίο του αντιστοιχεί ακριβώς σε $4$ bit
   - γιατί οι υπολογιστές λειτουργούν εσωτερικά στο δεκαεξαδικό
   - γιατί πιάνει λιγότερη μνήμη από το δυαδικό
   - γιατί δεν χρειάζεται μετατροπή από το δεκαδικό

## Ασκήσεις

1. Γράψε το $13_{10}$ στο δυαδικό.
2. Μετάτρεψε το δεκαεξαδικό `3F` σε δεκαδικό και σε δυαδικό.
3. Γράψε το $-100$ σε $8$ bit με συμπλήρωμα ως προς 2.
   α) Ποιο είναι το $100$ σε $8$ bit;
   β) Ποιο είναι το $-100$;
4. Ένα σύστημα μηνυμάτων δέχεται το πολύ $160$ bytes σε UTF-8 ανά μήνυμα.
   α) Πόσα λατινικά γράμματα χωρούν το πολύ;
   β) Πόσα ελληνικά γράμματα χωρούν το πολύ;
   γ) Πόσα bytes πιάνει το «Γεια σου!»;

---

Οι απαντήσεις, τα διαδραστικά και τα παιχνίδια είναι στη σελίδα της ενότητας: https://www.akademio.gr/el/lyk-b/informatics/data-representation
