# function.py
import numpy as np
"""
实验说明:
- 自行编写实现数据加载与预测病马死亡的对率回归算法。

注意事项:
- 在 function.py 中实现对率回归算法。
- 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。
- 自动评测脚本仅会加载 train_logreg、predict_logreg 和 load_data 函数，请勿修改函数名。

测评环境:
- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
- OS: Ubuntu 22.04.4 LTS
- Python: 3.10.12
- numpy: 2.1.1
"""


"""
202210423219李燕如
"""
id = "202210423219"
name = "李燕如"


# 这里写自己的代码实现
def load_data(filepath):
    """
    从文件中加载数据。

    Args:
    - filepath (str): 数据文件路径。

    Returns:
    - np.array: 特征数据。
    - np.array: 标签数据。
    """
    data = np.genfromtxt(filepath, delimiter=',', skip_header=1, filling_values=np.nan)
    
    # 分离特征和标签
    X = data[:, :-1]
    y = data[:, -1].flatten()  # 确保y是一维数组

    # 删除包含NaN的行
    mask = ~np.isnan(X).any(axis=1) & ~np.isnan(y)
    X = X[mask]
    y = y[mask]
    
    return X, y

def sigmoid(z):
    """
    Sigmoid函数。

    Args:
    - z (numpy array): 输入值。

    Returns:
    - numpy array: Sigmoid函数的输出值。
    """
    return 1 / (1 + np.exp(-z))

def train_logreg(X, y, learning_rate=0.01, iterations=1000):
    """
    对率回归训练函数。

    Args:
    - X (numpy array): 特征数据。
    - y (numpy array): 标签数据。
    - learning_rate (float): 学习率，默认为0.01。
    - iterations (int): 迭代次数，默认为1000。

    Returns:
    - numpy array: 训练得到的权重。
    """
    # 添加截距项
    X = np.c_[np.ones(X.shape[0]), X]
    # 初始化权重
    weights = np.zeros(X.shape[1])

    # 检查y是否为空
    if len(y) == 0:
        raise ValueError("标签数组y为空")

    for _ in range(iterations):
        # 计算预测值
        predictions = sigmoid(np.dot(X, weights))
        # 计算梯度
        gradient = np.dot(X.T, (predictions - y)) / max(len(y), 1)  # 防止除以零
        # 更新权重
        weights -= learning_rate * gradient

    return weights

def predict_logreg(inX, weights):
    """
    对率回归预测函数。

    Args:
    - inX (numpy array): 输入待分类的样本。
    - weights (numpy array): 训练得到的权重。

    Returns:
    - int: 预测的分类标签。
    """
    inX = np.c_[1, inX]  # 添加截距项
    prob = sigmoid(np.dot(inX, weights))
    return 1 if prob > 0.5 else 0