From bd3bb285c7a315bf222930ed3c2c37b6907021b7 Mon Sep 17 00:00:00 2001
From: Ulysses-ui <3233559397@qq.com>
Date: Wed, 16 Oct 2024 21:45:40 +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, 64 insertions(+), 11 deletions(-)

diff --git a/function.py b/function.py
index 2393b3b..4becf0e 100644
--- a/function.py
+++ b/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 = "202210423124"
+name = "刘子豪"
 
 
 """
@@ -41,12 +41,12 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify0(inX, dataSet, labels, k=0):
+def classify(input_vector, dataSet, labels, k=3):
     """
     KNN 分类算法。
 
     Args:
-    - inX (numpy array): 输入待分类的样本。
+    - 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**。
@@ -54,17 +54,70 @@ def classify0(inX, dataSet, labels, k=0):
     Returns:
     - int: 预测的分类标签。
     """
+    # 计算输入向量与训练集中每个样本的欧氏距离
+    distances = np.linalg.norm(dataSet - input_vector, axis=1)
+
+    # 按照距离从小到大排序并获取前k个距离最小的索引
+    sorted_indices = distances.argsort()[:k]
+
+    # 统计前k个最近邻的标签
+    nearest_labels = [labels[i] for i in sorted_indices]
+
+    # 返回出现次数最多的标签
+    predicted_label = max(set(nearest_labels), key=nearest_labels.count)
+
+    return predicted_label
 
 
-def load_data(file_path):
+def load_dataset(directory):
     """
-    加载 TSV 格式数据文件。
-    """
-    data = np.loadtxt(file_path, delimiter="\t")
-    features = data[:, :-1]
-    labels = data[:, -1].astype(int)
-    return features, labels
+    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。
+    """
+    # 获取目录下所有文件名
+    file_list = os.listdir(directory)
+
+    # 初始化数据集矩阵和标签列表
+    num_files = len(file_list)
+    data_set = np.zeros((num_files, 1024))  # 每个样本是1024维的向量
+    labels = []
+
+    # 逐个文件处理
+    for i, file_name in enumerate(file_list):
+        # 提取标签，假设文件名格式为 '数字_XXX.txt'
+        label = int(file_name.split('_')[0])
+        labels.append(label)
+
+        # 将图像文件转换为向量并存入数据集
+        data_set[i, :] = img_to_vector(os.path.join(directory, file_name))
+
+    return data_set, np.array(labels)
+
+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。
+    """
+    # 初始化一个1024维的向量
+    vector = np.zeros(1024)
+    with open(filename, 'r') as f:
+        for row in range(32):
+            line = f.readline()
+            for col in range(32):
+                vector[row * 32 + col] = int(line[col])  # 将每行的字符转换为整数并存储
+    return vector
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改