# function.py
import numpy as np
import os
from collections import defaultdict

"""
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=3):
    """
    KNN 分类算法优化版。

    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，默认值为 3。

    Returns:
    - int: 预测的分类标签。
    """
    # 使用高效的向量化操作计算距离（欧氏距离）
    # 为了加速，可以使用平方距离避免开方操作，因为排序不受影响
    distances = np.sum((dataSet - input_vector) ** 2, axis=1)
    
    # 获取距离最近的 k 个样本的索引
    nearest_neighbors_indices = np.argpartition(distances, k)[:k]
    
    # 获取这些样本的标签
    nearest_labels = labels[nearest_neighbors_indices]
    
    # 使用字典统计每个标签的出现次数，避免 np.bincount 的限制（例如标签不是非负整数）
    label_count = defaultdict(int)
    for label in nearest_labels:
        label_count[label] += 1
    
    # 找到出现次数最多的标签
    # 如果有多个标签出现次数相同，选择距离最近的那个
    max_count = -1
    predicted_label = None
    for label in nearest_labels:
        if label_count[label] > max_count:
            max_count = label_count[label]
            predicted_label = label
    
    return predicted_label
# 这里也写自己的代码实现
def load_data(directory):
    """
    从文件夹中加载数据，优化后的版本。

    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 = []
    
    # 预分配内存以加速
    filenames = [filename for filename in os.listdir(directory) if filename.endswith(".txt")]
    num_files = len(filenames)
    data_list = np.zeros((num_files, 1024), dtype=int)
    labels = np.zeros(num_files, dtype=int)
    
    for idx, filename in enumerate(filenames):
        labels[idx] = int(filename.split('_')[0])
        data_list[idx] = img_to_vector(os.path.join(directory, filename))
    
    return data_list, 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，优化后的版本。

    Args:
    - filename (str): 图像文件路径。

    Returns:
    - np.array: 二值图像向量。
    """
    with open(filename, 'r') as f:
        lines = f.read().replace('\n', '')
    vector = np.array(list(lines), dtype=int)
    return vector


if __name__ == "__main__":
    # 测试代码
    train_data, train_labels = load_data("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)
    
    predicted_label = classify(test_vector, train_data, train_labels)
    print(f"预测的标签: {predicted_label}")