chore: opt running time

function.py

@@ -1,6 +1,7 @@
 # function.py
 import numpy as np
 import time
+
 """
 挑战说明:
 - 自行编写实现 KNN 分类算法。
@@ -38,7 +39,7 @@ name = "向兴宇"
 
 
 # 这里写自己的代码实现
-def classify0(inX, dataSet, labels, k=8):
+def classify0(inX, dataSet, labels, k=8, _cache={"VI": None, "dataSet": None}):
     """
     KNN 分类算法。
 
@@ -46,12 +47,18 @@ def classify0(inX, dataSet, labels, k=8):
     - 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): 选择最近的 k 个样本，默认为 8。
 
     Returns:
     - int: 预测的分类标签。
     """
-    # 计算数据集的协方差矩阵的逆
+    # 检查数据集是否发生变化
-    VI = np.linalg.inv(np.cov(dataSet.T))
+    if _cache["dataSet"] is None or not np.array_equal(dataSet, _cache["dataSet"]):
+        # 计算并缓存数据集的协方差矩阵的逆
+        _cache["VI"] = np.linalg.inv(np.cov(dataSet.T))
+        _cache["dataSet"] = dataSet
+
+    VI = _cache["VI"]
 
     # 计算 inX 与数据集的差值
     diff = dataSet - inX
@@ -63,7 +70,7 @@ def classify0(inX, dataSet, labels, k=8):
     sortedDistIndices = np.argsort(distances)
 
     # 统计前 k 个样本的标签
-    classCount = np.bincount(labels[sortedDistIndices[:8]])
+    classCount = np.bincount(labels[sortedDistIndices[:k]])
 
     # 返回出现次数最多的标签
     return np.argmax(classCount)