From 8ba163f6852e5bd2a9e36a4b31501522ba5e928a Mon Sep 17 00:00:00 2001
From: Dengddd <3149942468@qq.com>
Date: Tue, 15 Oct 2024 15:01:10 +0800
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20function.py?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 function.py | 77 ++++++++++++++++++++++-------------------------------
 1 file changed, 32 insertions(+), 45 deletions(-)

diff --git a/function.py b/function.py
index b1f8c16..9472ada 100644
--- a/function.py
+++ b/function.py
@@ -1,6 +1,7 @@
 # function.py
 import numpy as np
 import os
+from collections import Counter
 
 """
 实验说明:
@@ -25,8 +26,8 @@ import os
 """
 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 = "202210423222"
+name = "邓龙树"
 
 
 """
@@ -40,54 +41,41 @@ name = "test_name"
 """
 
 
-# 这里写自己的代码实现
-def classify(input_vector, dataSet, labels, k=0):
-    """
-    KNN 分类算法。
-
-    Args:
-    - input_vector (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**。
-
-    Returns:
-    - int: 预测的分类标签。
-    """
+# KNN 分类算法
+def classify(input_vector, dataSet, labels, k=3):
+    # 计算输入向量与训练集中每个样本的距离
+    distances = [np.linalg.norm(input_vector - data) for data in dataSet]
+    # 根据距离排序并获取前 k 个标签
+    k_indices = np.argsort(distances)[:k]
+    k_labels = [labels[index] for index in k_indices]
+    # 对 k 个标签进行投票，返回出现次数最多的标签
+    vote = Counter(k_labels).most_common(1)[0][0]
+    return vote
 
 
-# 这里也写自己的代码实现
+# 从文件夹中加载数据
 def load_dataset(directory):
-    """
-    从文件夹中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
-
-    Args:
-    - directory (str): 数据文件夹路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
+    feature_list = []
+    label_list = []
+    for file in os.listdir(directory):
+        file_path = os.path.join(directory, file)
+        feature = img_to_vector(file_path)
+        label = int(file.split('_')[0])
+        feature_list.append(feature)
+        label_list.append(label)
+    return np.array(feature_list), np.array(label_list)
 
 
-# 这里还写自己的代码实现
+# 将二值图像转换为向量
 def img_to_vector(filename):
-    """
-    将二值图像转换为向量。
-    该部分应为 load_dataset 函数的辅助子函数，可单独在这里实现，也可直接集成至 load_dataset 函数中。
-
-    Args:
-    - filename (str): 图像文件路径。
-
-    Returns:
-    - np.array: 二值图像向量。
-    """
+    with open(filename, 'r') as f:
+        return np.array([int(char) for char in f.read().strip()])
 
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
+    #加载训练数据
     train_data, train_labels = load_dataset("trainingDigits")
-
+    #测试数据
     test_data = (
         "00000000000000110000000000000000"
         "00000000000011111000000000000000"
@@ -122,10 +110,9 @@ if __name__ == "__main__":
         "00000000000001111111110000000000"
         "00000000000000000111100000000000"
     )
-    predicted_label = classify(
-        np.array([int(char) for char in test_data]).reshape(1, 1024),
-        train_data,
-        train_labels,
-    )
+   # 将测试数据转换为向量
+    test_vector = np.array([int(char) for char in test_data]).reshape(1, 1024)
+    # 进行分类预测
+    predicted_label = classify(test_vector, train_data, train_labels)
 
     print(f"预测的标签: {predicted_label}")