更新 function.py

function.py

@@ -1,6 +1,5 @@
-# function.py
 import numpy as np
-
+from collections import Counter
 
 """
 挑战说明:
@@ -40,26 +39,45 @@ name = "邓杰元"
 - int: 预测的分类标签。
 """
 
-
-# 这里写自己的代码实现
 def classify0(inX, dataSet, labels, k=20):
-    # 计算输入向量与训练集中每个样本的欧氏距离  
-    distances = np.sqrt(np.sum((dataSet - input_vector) ** 2, axis=1))  
-      
-    # 获取距离最小的k个样本的索引  
-    k_indices = np.argsort(distances)[:k]  
-      
-    # 获取这k个样本的标签  
-    k_nearest_labels = labels[k_indices]  
-      
-    # 找出出现次数最多的标签  
-    most_common = Counter(k_nearest_labels).most_common(1)  
-  
+    """
+    KNN 分类算法。
+    
+    Args:
+    - 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，默认值为 20。
+    
+    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.sqrt(np.sum((dataSet - inX) ** 2, axis=1))
+    
+    # 获取距离最小的 k 个样本的索引
+    k_indices = np.argsort(distances)[:k]
+    
+    # 获取这 k 个样本的标签
+    k_nearest_labels = labels[k_indices]
+    
+    # 找出出现次数最多的标签
+    most_common = Counter(k_nearest_labels).most_common(1)
+    
+    # 返回出现次数最多的标签
+    return most_common[0][0]
 
 
 def load_data(file_path):
     """
     加载 TSV 格式数据文件。
+    
+    Args:
+    - file_path (str): 数据文件路径。
+    
+    Returns:
+    - features (numpy array): 数据特征矩阵。
+    - labels (numpy array): 数据对应的标签。
     """
     data = np.loadtxt(file_path, delimiter="\t")
     features = data[:, :-1]
@@ -68,14 +86,14 @@ 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，可以自行修改和测试
 
-    train_file = "datingTrainSet2.tsv"  
-    test_file = "datingTestSet2.tsv"  
-  
-    train_data, train_labels = load_data(train_file)  
-    test_data, test_labels = load_data(test_file)  
-  
-    # 测试 classify0 函数  
-    # 注意：这里只是演示，实际评测会使用独立的测试集  
+    train_file = "datingTrainSet2.tsv"
+    test_file = "datingTestSet2.tsv"
+
+    train_data, train_labels = load_data(train_file)
+    test_data, test_labels = load_data(test_file)
+
+    # 测试 classify0 函数
+    # 注意：这里只是演示，实际评测会使用独立的测试集
     print(classify0([65915, 3.868359, 0.128078], train_data, train_labels))