更新 function.py

function.py

@@ -5,23 +5,41 @@ id = "202210423223"
 name = "李顺潮"
 
 def load_data(filepath):
-    data = pd.read_table(filepath, header=None, sep=' ')
+    """
-    data.replace('?', np.nan, inplace=True)
+    从文件中加载数据，处理缺失值和数据类型。
 
-    # Identify numeric columns
+    Args:
-    numeric_cols = data.select_dtypes(include=np.number).columns
+        filepath (str): 数据文件路径。
 
-    # Fill numeric missing values with median
+    Returns:
-    for col in numeric_cols:
+        tuple: 特征数据 (np.array) 和标签数据 (np.array)。  返回None如果加载失败。
-        data[col].fillna(data[col].median(), inplace=True)
+    """
+    try:
+        # 使用正则表达式作为分隔符，更灵活地处理多个空格
+        data = pd.read_csv(filepath, header=None, delim_whitespace=True)
 
-    # Drop rows with non-numeric values in any column (a more strict approach)
+        # 替换问号为 NaN
-    data.dropna(subset=numeric_cols, inplace=True)
+        data.replace('?', np.nan, inplace=True)
+
+        # 填充数值型缺失值，这里使用中位数填充
+        numeric_cols = data.select_dtypes(include=np.number).columns
+        for col in numeric_cols:
+            data[col].fillna(data[col].median(), inplace=True)
+
+        # 删除包含非数值型缺失值的列 (如果存在)
+        data.dropna(inplace=True)
 
 
-    X = data.iloc[:, :-1].values.astype(float)
+        # 假设最后一列是标签，其余是特征
-    y = data.iloc[:, -1].values.astype(float)
+        X = data.iloc[:, :-1].values.astype(float)
-    return X, y
+        y = data.iloc[:, -1].values.astype(float)
+        return X, y
+    except pd.errors.ParserError as e:
+        print(f"数据加载错误: {e}")
+        return None
+    except Exception as e:
+        print(f"发生未知错误: {e}")
+        return None
 
 def sigmoid(z):
     """