更新 function.py

function.py

@@ -1,4 +1,3 @@
-# function.py
 import numpy as np
 
 """
@@ -23,10 +22,10 @@ import numpy as np
 
 
 """
-请在这里填写学号和姓名，不填写即成绩无效。
+qin
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423206"
+name = "詹宇豪"
 
 
 """
@@ -40,7 +39,7 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify0(inX, dataSet, labels, k=0):
+def classify0(inX, dataSet, labels, k=3):
     """
     KNN 分类算法。
 
@@ -48,11 +47,24 @@ def classify0(inX, dataSet, labels, k=0):
     - 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。
+    - k (int): KNN 算法参数，默认值为3。
 
     Returns:
     - int: 预测的分类标签。
     """
+    # 计算输入样本与训练数据集中每个样本的欧氏距离
+    distances = np.sqrt(((dataSet - inX) ** 2).sum(axis=1))
+    
+    # 按距离从小到大排序并获取对应的索引
+    sorted_indices = distances.argsort()
+
+    # 选择距离最近的k个样本
+    top_k_labels = labels[sorted_indices[:k]]
+
+    # 统计k个样本中出现最多的类别
+    predicted_label = np.bincount(top_k_labels).argmax()
+
+    return predicted_label
 
 
 def load_data(file_path):
@@ -66,10 +78,12 @@ def load_data(file_path):
 
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
-
+    # 测试代码，可以修改以便调试
     train_file = "datingTrainSet2.tsv"
 
+    # 加载训练数据
     train_data, train_labels = load_data(train_file)
 
-    print(classify0([65915, 3.868359, 0.128078], train_data, train_labels))
+    # 测试 classify0 函数
+    result = classify0(np.array([65915, 3.868359, 0.128078]), train_data, train_labels)
+    print("Predicted label:", result)