更新 function.py

function.py

@@ -28,26 +28,23 @@ id = "202210423117"
 name = "程悦"
 
 
-def standardize(data):  
+def normalize(data):
     """
-    对数据进行标准化处理，将数据转换为标准分数（Z分数），均值为0，标准差为1。  
+    对数据进行归一化处理，将数据缩放到 [0, 1] 范围内。
     
     Args:
-    - data (numpy array): 待标准化的数据。  
+    - data (numpy array): 待归一化的数据。
 
     Returns:
-    - numpy array: 标准化后的数据。  
-    - numpy array: 每个特征的均值。  
-    - numpy array: 每个特征的标准差。  
+    - numpy array: 归一化后的数据。
     """
-    mean_val = data.mean(axis=0)  
-    std_val = data.std(axis=0, ddof=0)  # ddof=0 表示使用样本标准差（N-1作为分母）  
-    standardized_data = (data - mean_val) / (std_val + 1e-10)  # 避免除以零  
-    return standardized_data, mean_val, std_val  
+    min_val = data.min(axis=0)
+    max_val = data.max(axis=0)
+    return (data - min_val) / (max_val - min_val + 1e-10)  # 避免除以零
 
 def classify(input_vector, dataSet, labels, k=2):
     """
-    KNN 分类算法，添加了数据标准化处理。  
+    KNN 分类算法，添加了数据归一化处理。
 
     Args:
     - input_vector (numpy array): 输入待分类的样本。
@@ -58,13 +55,13 @@ def classify(input_vector, dataSet, labels, k=2):
     Returns:
     - int: 预测的分类标签。
     """
-    # 标准化训练数据集和输入向量  
-    dataSet_standardized, mean_dataSet, std_dataSet = standardize(dataSet)  
-    input_vector_standardized, _, _ = standardize(np.array([input_vector]))  # 注意输入向量需要转换为二维数组形式  
+    # 归一化训练数据集和输入向量
+    dataSet = normalize(dataSet)
+    input_vector = normalize(input_vector)
 
-    dataSet_size = dataSet_standardized.shape[0]  
+    dataSet_size = dataSet.shape[0]
     # 计算欧氏距离
-    diff_mat = np.tile(input_vector_standardized, (dataSet_size, 1)) - dataSet_standardized  
+    diff_mat = np.tile(input_vector, (dataSet_size, 1)) - dataSet
     sq_diff_mat = diff_mat ** 2
     sq_distances = sq_diff_mat.sum(axis=1)
     distances = np.sqrt(sq_distances)