From d5c56074dcc9e8ac9d710f074d3eda7d76b14351 Mon Sep 17 00:00:00 2001
From: Xionghaoran <719929980@qq.com>
Date: Tue, 22 Oct 2024 19:20:18 +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 | 122 +++++++++++++++++++++++++++-------------------------
 1 file changed, 63 insertions(+), 59 deletions(-)

diff --git a/function.py b/function.py
index 66a080c..e41e0c5 100644
--- a/function.py
+++ b/function.py
@@ -1,26 +1,7 @@
 import numpy as np
 import os
-from concurrent.futures import ThreadPoolExecutor
-
-"""
-实验说明:
-- 自行编写实现数据加载与 kNN 的手写数字分类算法。
-- 函数输入: 待分类的样本 input_vector, 训练数据集 dataSet, 训练集对应的标签 labels。
-- 函数返回: 预测的分类标签。
-
-注意事项:
-- 在 function.py 中实现 kNN 分类算法。
-- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
-- 自动评测脚本仅会加载 classify 和 load_data 函数，请勿修改函数名。
-- 训练集和测试集需手动下载解压，并放入当前目录下。
-
-测评环境:
-- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
-- OS: Ubuntu 22.04.4 LTS
-- Python: 3.10.12
-- numpy: 2.1.1
-"""
-
+from sklearn.preprocessing import StandardScaler
+from sklearn.neighbors import KDTree
 
 """
 请在这里填写学号和姓名，不填写即成绩无效。
@@ -28,89 +9,112 @@ from concurrent.futures import ThreadPoolExecutor
 id = "202210423213"
 name = "熊浩燃"
 
-
 """
 参数说明:
 - 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**。
+- 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 classify(input_vector, dataSet, labels, k=1):
+def classify(input_vector, dataSet, labels, k=1, distance_metric='euclidean', weighted=True):
     """
-    KNN 分类算法，使用多线程加速距离计算。
-
+    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**。
-
+    - k (int): kNN 算法参数，默认 k=1。
+    - distance_metric (str): 距离度量方法，默认欧氏距离。
+    - weighted (bool): 是否使用加权投票机制，默认加权。
+    
     Returns:
     - int: 预测的分类标签。
     """
-    def calculate_distance(row):
-        return np.sum((row - input_vector) ** 2)
     
-    # 使用多线程加速距离计算
-    with ThreadPoolExecutor() as executor:
-        distances = list(executor.map(calculate_distance, dataSet))
+    if distance_metric == 'euclidean':
+        # 欧氏距离
+        distances = np.linalg.norm(dataSet - input_vector, axis=1)
+    elif distance_metric == 'manhattan':
+        # 曼哈顿距离
+        distances = np.sum(np.abs(dataSet - input_vector), axis=1)
+
+    # 使用KD树加速最近邻查找
+    tree = KDTree(dataSet)
+    dist, indices = tree.query(input_vector.reshape(1, -1), k=k)
     
-    # 获取距离最近的 k 个样本的索引
-    nearest_neighbors_indices = np.argsort(distances)[:k]
-    # 获取这些样本的标签
-    nearest_labels = np.array(labels)[nearest_neighbors_indices]
-    # 统计出现次数最多的标签并返回
-    predicted_label = np.bincount(nearest_labels).argmax()
+    nearest_labels = np.array(labels)[indices[0]]
+    
+    if weighted:
+        # 使用距离的倒数作为权重
+        weights = 1 / (dist[0] + 1e-5)  # 避免除以0
+        label_weights = {}
+        
+        for i, label in enumerate(nearest_labels):
+            label_weights[label] = label_weights.get(label, 0) + weights[i]
+        
+        # 返回加权得分最高的标签
+        predicted_label = max(label_weights, key=label_weights.get)
+    else:
+        # 直接使用多数投票
+        predicted_label = np.bincount(nearest_labels).argmax()
+
     return predicted_label
 
-# 这里也写自己的代码实现
+
 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**。
-
+    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: 标准化后的特征数据。
     - np.array: 标签数据。
     """
     labels = []
     data_list = []
-    filenames = [os.path.join(directory, f) for f in os.listdir(directory) if f.endswith(".txt")]
     
-    for filename in filenames:
-        label = int(os.path.basename(filename).split('_')[0])
-        labels.append(label)
-        vector = img_to_vector(filename)
-        data_list.append(vector)
+    for filename in os.listdir(directory):
+        if filename.endswith(".txt"):  # 确保读取的是 txt 文件
+            label = int(filename.split('_')[0])
+            labels.append(label)
+            vector = img_to_vector(os.path.join(directory, filename))
+            data_list.append(vector)
     
-    return np.array(data_list), np.array(labels)
+    data_array = np.array(data_list)
+    
+    # 标准化数据
+    scaler = StandardScaler()
+    scaled_data = scaler.fit_transform(data_array)
+    
+    return scaled_data, np.array(labels)
+
 
-# 这里还写自己的代码实现
 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。
-
+    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:
+    with open(filename, 'r') as f:  # 确保使用文本模式读取
         lines = f.readlines()
-    vector = np.zeros((1024,), dtype=np.uint8)  # 使用更小的类型节省内存
+    
+    vector = np.zeros((1024,), dtype=int)  # 将其改为 (1024,) 的一维数组
+    
     for i in range(32):
         for j in range(32):
             vector[32 * i + j] = int(lines[i][j])
+    
     return vector