From 058c6c5f2d267942abfad7c28ac149f4a9d54fef Mon Sep 17 00:00:00 2001
From: Ultraman <2900311815@qq.com>
Date: Tue, 15 Oct 2024 20:00:36 +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 | 75 +++++++++++++++++++++++------------------------------
 1 file changed, 32 insertions(+), 43 deletions(-)

diff --git a/function.py b/function.py
index d3bebcf..a0fb757 100644
--- a/function.py
+++ b/function.py
@@ -50,57 +50,46 @@ id = "202210423220"
 name = "方子涵"
 
 
-"""
-参数说明:
-- 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**。
-返回值:
-- int: 预测的分类标签。
-"""
-
-
-# 这里写自己的代码实现
-import numpy as np
-
-"""
-请在这里填写学号和姓名，不填写即成绩无效。
-"""
-id = "202210423220"
-name = "方子涵"
-
-
-"""
-参数说明:
-- 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**。
-返回值:
-- int: 预测的分类标签。
-"""
-
-
-# 这里写自己的代码实现
-def classify0(inX, dataSet, labels, k=3):
+def euclidean_distance(inX, dataSet):
     """
-    KNN 分类算法。
+    计算待分类样本与数据集中每个样本的欧式距离。
 
     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**。
+    inX (numpy array): 输入待分类的样本。
+    dataSet (numpy array): 训练数据集。
 
     Returns:
-    - int: 预测的分类标签。
+    numpy array: 每个样本与待分类样本之间的欧式距离。
     """
-    # 计算待分类样本与数据集中每个样本的距离
-    distances = np.sqrt(((dataSet - inX) ** 2).sum(axis=1))
+    # 计算差值
+    diff = dataSet - inX
+    # 计算平方
+    sq_diff = diff ** 2
+    # 计算平方和
+    sq_distance = sq_diff.sum(axis=1)
+    # 开方
+    distance = np.sqrt(sq_distance)
+    return distance
+
+
+def classify0(inX, dataSet, labels, k=3):
+    """
+    使用欧式距离的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。
+
+    Returns:
+    int: 预测的分类标签。
+    """
+    # 计算欧式距离
+    distances = euclidean_distance(inX, dataSet)
     
     # 获取距离最近的k个样本的索引
-    k_indices = distances.argsort()[:k]
+    k_indices = np.argsort(distances)[:k]
     
     # 获取这些样本对应的标签
     k_nearest_labels = labels[k_indices]