更新 function.py

function.py

@@ -25,8 +25,8 @@ import numpy as np
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423203"
+name = "赵昊龙"
 
 
 """
@@ -41,30 +41,65 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify0(inX, dataSet, labels, k=0):
+def euclidean_distance(inX, dataSet):
+    # 将inX转换为numpy数组
+    inX = np.array(inX).reshape(1, -1)
+    # 计算inX和dataSet中每一行的差的平方和
+    sq_diff = (inX - dataSet) ** 2
+    # 计算每行的和，然后开方得到欧氏距离
+    sq_distances = sq_diff.sum(axis=1)
+    distances = np.sqrt(sq_distances)
+    return distances
+
+def classify0(inX, dataSet, labels, k=5):
     """
     KNN 分类算法。
     
-    Args:
-    - inX (numpy array): 输入待分类的样本。
-    - dataSet (numpy array): 训练数据集。
-    - labels (list or numpy array): 训练集对应的标签。
-    - k (int): kNN 算法参数，请**自行设置默认值**，评测时仅会使用其默认值，不修改默认值将**无法通过**评测，**成绩为零**。
+    参数:
+    inX (numpy array): 待分类的样本。
+    dataSet (numpy array): 训练数据集。
+    labels (list or numpy array): 训练集对应的标签。
+    k (int): kNN 算法参数，默认值为5。
     
-    Returns:
-    - int: 预测的分类标签。
+    返回:
+    int: 预测的分类标签。
     """
-
+    # 计算待分类样本与数据集中每个样本的距离
+    distances = euclidean_distance(inX, dataSet)
+    # 获取距离最小的k个样本的索引
+    sortedDistIndices = distances.argsort()
+    # 为分类计数器初始化
+    classCount = {}
+    # 遍历距离最小的k个样本的标签
+    for i in range(k):
+        voteIlabel = labels[sortedDistIndices[i]]
+        # 为每个标签计数
+        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
+    # 找到计数最多的标签
+    sortedClassCount = sorted(classCount.items(), key=lambda x: x[1], reverse=True)
+    return sortedClassCount[0][0]
 
 def load_data(file_path):
     """
     加载 TSV 格式数据文件。
+    
+    参数:
+    file_path (str): 数据文件的路径。
+    
+    返回:
+    features (numpy.ndarray): 数据特征。
+    labels (numpy.ndarray): 数据标签。
     """
     data = np.loadtxt(file_path, delimiter="\t")
     features = data[:, :-1]
     labels = data[:, -1].astype(int)
     return features, labels
 
+if __name__ == "__main__":
+    # 以下代码可用于测试，可自行随意修改
+    train_file = "datingTrainSet2.tsv"
+    train_data, train_labels = load_data(train_file)
+    print(classify0([65915, 3.868359, 0.128078], train_data, train_labels))
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改