更新 function.py

function.py

@@ -41,7 +41,7 @@ name = "董秋"
 
 # 这里写自己的代码实现
 import operator
-from collections import Counter 
+ 
 def classify0(inX, dataSet, labels, k=1):
     """
     KNN 分类算法。
@@ -55,40 +55,18 @@ def classify0(inX, dataSet, labels, k=1):
     Returns:
     - int: 预测的分类标签。
     """
-    inX = np.atleast_2d(inX)  
+    dataSetSize=dataSet.shape[0]
-      
+    diffMat=inX - dataSet
-    # 计算训练数据集的均值向量  
+    sqDiffMat=diffMat**2
-    meanVec = np.mean(dataSet, axis=0)  
+    sqDistances=sqDiffMat.sum(axis=1)
-      
+    distances=sqDistances**0.5
-    # 计算训练数据集的协方差矩阵  
-    covMat = np.cov(dataSet.T)  
-      
-    # 检查协方差矩阵是否可逆（理论上应该是可逆的，除非数据有问题）  
-    if np.linalg.det(covMat) == 0:  
-        raise ValueError("Covariance matrix is singular and cannot be inverted.")  
-      
-    # 计算协方差矩阵的逆矩阵  
-    invCovMat = np.linalg.inv(covMat)  
-      
-    # 计算输入样本与每个训练样本之间的马氏距离  
-    distances = []  
-    for x_train in dataSet:  
-        diff = inX - x_train  # 计算差值向量  
-        diff_T = diff.T        # 转置差值向量（虽然这里diff是二维的，但转置是为了保持公式的一致性）  
-        mahalanobis_dist = np.sqrt(np.dot(np.dot(diff_T, invCovMat), diff))  # 计算马氏距离  
-        distances.append(mahalanobis_dist[0, 0])  # 将距离添加到列表中（注意取标量值）  
-      
-    # 将距离列表转换为NumPy数组以便排序  
-    distances = np.array(distances)  
-      
-    # 按照距离排序，并获取最近的k个点的索引  
     sortedDistIndicies=distances.argsort()
-      
+    classCount={}
-    # 使用Counter来统计每个类别的计数，这样可以直接得到最频繁的类别  
+    for i in range(k):
-    classCount = Counter(labels[sortedDistIndicies[:k]])  
+        votellabel=labels[sortedDistIndicies[i]]
-      
+        classCount[votellabel]=classCount.get(votellabel,0)+1
-    # 返回出现次数最多的类别的标签  
+    sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
-    return classCount.most_common(1)[0][0]
+    return sortedClassCount[0][0]