# function.py
import numpy as np

"""
挑战说明:
- 自行编写实现 KNN 分类算法。
- 函数输入: 待分类的样本 inX, 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:
- 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。
- 在 function.py 中实现 KNN 分类算法。
- 自动评测脚本仅会加载 classify0 函数，请勿修改函数名。
- 训练集在本目录下的 datingTrainSet2.tsv 中。
- 评测数据集在本目录下的 datingTestSet2.tsv 中。

挑战环境:
- 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 = "202210423204"
name = "陈垣豪"


"""
参数说明:
- 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，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。
"""

def classify0(inX, 数据集， 标签， k=3):
    # 计算协方差矩阵并求其逆矩阵
    cov_matrix = np.cov(数据集,rowvar=False)
    inv_cov_matrix = np.linalg.inv(cov_matrix)

    # 计算马氏距离
    diff = dataSet - inX
    distances = np.sum(diff @ inv_cov_matrix * diff, axis=1)

    # 获取距离最小的 k 个样本的索引
    sorted_indices = np.argsort(distances)[:k] 

    # 获取 k 个最近邻的标签
    nearest_labels = [labels[i] for i in sorted_indices]

    # 统计 k 个最近邻中每个类别的出现次数
    label_count = {}
    for label in nearest_labels:
        if label in label_count:
            label_count[label] += 1
        else:
            label_count[label] = 1

    # 找到出现次数最多的标签
    predicted_label = max(label_count, key=label_count.get)

    return predicted_label提高准确率