From 01e976f847dda7a9bf7e4e4b8bf0ae7e086c4970 Mon Sep 17 00:00:00 2001
From: llll <2992513220@qq.com>
Date: Wed, 16 Oct 2024 20:47:59 +0800
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20function.py?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 function.py | 79 ++++++++++++++++++++++++-----------------------------
 1 file changed, 36 insertions(+), 43 deletions(-)

diff --git a/function.py b/function.py
index b1f8c16..031e606 100644
--- a/function.py
+++ b/function.py
@@ -25,8 +25,8 @@ import os
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423109"
+name = "李燕如"
 
 
 """
@@ -41,52 +41,45 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify(input_vector, dataSet, labels, k=0):
-    """
-    KNN 分类算法。
+def classify(input_vector, dataSet, labels, k=3):
+    # 计算输入向量与数据集中每个样本的欧氏距离
+    distances = np.sqrt(((dataSet - input_vector) ** 2).sum(axis=1))
+    # 获取距离最近的k个样本的索引
+    sortedDistIndices = distances.argsort()
+    # 获取这些样本对应的标签
+    classCount = {}
+    for i in range(k):
+        voteIlabel = labels[sortedDistIndices[i]]
+        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
+    # 选择票数最多的类别作为预测标签
+    sortedClassCount = sorted(classCount.items(), key=lambda x: x[1], reverse=True)
+    return sortedClassCount[0][0]
 
-    Args:
-    - input_vector (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**。
-
-    Returns:
-    - int: 预测的分类标签。
-    """
-
-
-# 这里也写自己的代码实现
 def load_dataset(directory):
-    """
-    从文件夹中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
+    fileList = os.listdir(directory)
+    m = len(fileList)
+    dataSet = np.zeros((m, 1024))
+    labels = []
+    for i, file in enumerate(fileList):
+        path = os.path.join(directory, file)
+        vector = img_to_vector(path)
+        dataSet[i, :] = vector
+        label = int(file.split('_')[0])
+        labels.append(label)
+    return dataSet, np.array(labels)
 
-    Args:
-    - directory (str): 数据文件夹路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-
-
-# 这里还写自己的代码实现
 def img_to_vector(filename):
-    """
-    将二值图像转换为向量。
-    该部分应为 load_dataset 函数的辅助子函数，可单独在这里实现，也可直接集成至 load_dataset 函数中。
-
-    Args:
-    - filename (str): 图像文件路径。
-
-    Returns:
-    - np.array: 二值图像向量。
-    """
-
-
+    returnVect = np.zeros(1024)
+    with open(filename, 'r') as fr:
+        lines = fr.read().replace('\n', '')
+        for i in range(32):
+            for j in range(32):
+                returnVect[i*32 + j] = int(lines[i*32 + j])
+    return returnVect
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
-    train_data, train_labels = load_dataset("trainingDigits")
+    # 使用绝对路径加载数据集
+    directory = r"C:\Users\HP\Desktop\trainingDigits"
+    train_data, train_labels = load_dataset(directory)
 
     test_data = (
         "00000000000000110000000000000000"