# function.py
import numpy as np
import os
from scipy.spatial import distance
from sklearn.neighbors import KDTree

"""
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
"""


"""
请在这里填写学号和姓名，不填写即成绩无效。
"""
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**。
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=7, metric='euclidean', decision_rule='uniform', use_kdtree=False):
    """
    优化后的 KNN 分类算法，包括 k 值调优、距离度量、决策规则和加速方法。
    
    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 算法中的 k 值。
    - metric (str): 距离度量方式，默认是 'euclidean'，可以选择 'manhattan', 'cosine', 'mahalanobis' 等。
    - decision_rule (str): 决策规则，'uniform' 为普通投票，'weighted' 为加权投票。
    - use_kdtree (bool): 是否使用 KDTree 加速。
    
    Returns:
    - int: 预测的分类标签。
    """
    # 如果使用 KDTree 加速
    if use_kdtree:
        tree = KDTree(dataSet)
        distances, indices = tree.query(input_vector.reshape(1, -1), k=k)
        nearest_labels = np.array(labels)[indices[0]]
        predicted_label = np.bincount(nearest_labels).argmax()
        return predicted_label

    # 如果不使用 KDTree, 选择距离度量
    if metric == 'euclidean':
        distances = np.linalg.norm(dataSet - input_vector, axis=1)
    elif metric == 'manhattan':
        distances = np.sum(np.abs(dataSet - input_vector), axis=1)
    elif metric == 'cosine':
        distances = distance.cdist([input_vector], dataSet, 'cosine')[0]
    elif metric == 'mahalanobis':
        VI = np.linalg.inv(np.cov(dataSet.T))
        distances = distance.cdist([input_vector], dataSet, 'mahalanobis', VI=VI)[0]

    # 获取最近的 k 个样本
    nearest_neighbors_indices = distances.argsort()[:k]
    nearest_labels = np.array(labels)[nearest_neighbors_indices]

    # 决策规则
    if decision_rule == 'uniform':
        predicted_label = np.bincount(nearest_labels).argmax()
    elif decision_rule == 'weighted':
        weights = 1 / (distances[nearest_neighbors_indices] + 1e-5)  # 避免距离为0时除零
        predicted_label = np.bincount(nearest_labels, weights=weights).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**。
    
    Args:
    - directory (str): 数据文件夹路径。
    
    Returns:
    - np.array: 特征数据。
    - np.array: 标签数据。
    """
    labels = []
    data_list = []
    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)
# 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。
    
    Args:
    - filename (str): 图像文件路径。
    
    Returns:
    - np.array: 二值图像向量。
    """
    with open(filename, 'r') as f:  # 确保使用文本模式读取
        lines = f.readlines()
    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

if __name__ == "__main__":
    # 测试代码
    train_data, train_labels = load_dataset("trainingDigits")

    test_data = (
        "00000000000000110000000000000000"
        "00000000000011111000000000000000"
        "00000000000011111100000000000000"
        "00000000001111111110000000000000"
        "00000000001111111110000000000000"
        "00000000001111111100000000000000"
        "00000000011111111000000000000000"
        "00000000111111111000000000000000"
        "00000000111111110000000000000000"
        "00000000111111110000000000000000"
        "00000000111111110000000000000000"
        "00000000111111110000000000000000"
        "00000000111111100000000000000000"
        "00000001111111100000000000000000"
        "00000001111111100000000000000000"
        "00000001111111100000000000000000"
        "00000001111111111111000000000000"
        "00000001111111111111111000000000"
        "00000001111111111111111100000000"
        "00000011111111111111111110000000"
        "00000011111111111111111110000000"
        "00000001111111111111111110000000"
        "00000001111111111111111110000000"
        "00000000111111111100111111100000"
        "00000000111111111000111111100000"
        "00000000011111111001111111100000"
        "00000000011111111111111111000000"
        "00000000001111111111111111000000"
        "00000000000111111111111111000000"
        "00000000000011111111111100000000"
        "00000000000001111111110000000000"
        "00000000000000000111100000000000"
    )
    
    test_vector = np.array([int(char) for char in test_data]).reshape(1, 1024)
    
    # 使用优化后的 KNN 进行预测
    predicted_label_optimized = classify(test_vector, train_data, train_labels, k=5, metric='cosine', decision_rule='weighted', use_kdtree=False)
    print(f"优化后的预测标签: {predicted_label_optimized}")
    
    # 使用 KDTree 加速的 KNN 进行预测
    predicted_label_kdtree = classify(test_vector, train_data, train_labels, k=5, use_kdtree=True)
    print(f"KDTree 加速后的预测标签: {predicted_label_kdtree}")