# function.py
import numpy as np
import pandas as pd

"""
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
"""


"""
请在这里填写学号和姓名，不填写即成绩无效。
姓名请直接**填写中文**
例如: name = "张三"
"""
id = "202210423223"
name = "李顺潮"

def sigmoid(z):  
    """Sigmoid函数，用于对率回归的预测。"""  
    return 1 / (1 + np.exp(-z)) 


# 这里写自己的代码实现
def train_logreg(X, y, other_params="你自己设置一些其它参数"):
    """
    对率回归训练函数。

    Args:
    - X (numpy array): 特征数据。
    - y (numpy array): 标签数据。
    - other_params (str): 其它参数，可选设置。若需设置其它参数，必须设置其默认值，否则将**无法通过**自动评测，**成绩为零**。

    Returns:
    - numpy array: 训练得到的权重。
    """
    # 初始化权重  
    weights = np.zeros(X.shape[1])  
    learning_rate = 0.01  
    iterations = 1000  
    
    for _ in range(iterations):  
        z = np.dot(X, weights)  
        predictions = sigmoid(z)  
        error = y - predictions  
        gradient = np.dot(X.T, error)  
        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。
    """
    # 计算预测值  
    z = np.dot(inX, weights)  
    probability = sigmoid(z)  
    return 1 if probability >= 0.5 else 0  


# 这里也写自己的代码实现
def load_data(filepath):
    """
    从文件中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。

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

    Returns:
    - np.array: 特征数据。
    - np.array: 标签数据。
    """
        # 使用pandas加载数据  
    df = pd.read_csv(filepath, header=None)  
    
    # 替换缺失值和非数值数据，这里假设我们用0来填补缺失数据  
    df.replace('?', np.nan, inplace=True)  
    df.fillna(0, inplace=True)  
    
    # 将数据拆分为特征和标签  
    X = df.iloc[:, :-1].values  # 特征  
    y = df.iloc[:, -1].values    # 标签  

    return X, y 


if __name__ == "__main__":  
    # 以下代码可用于测试，可自行随意修改  
    # 加载训练集  
    X_train, y_train = load_data("./data/horse-colic.data")  

    # 训练模型  
    weights = train_logreg(X_train, y_train)  
    
    # 测试单个样本的预测  
    sample = X_train[0].reshape(1, -1)  # 取出第一行作为样本  
    prediction = predict_logreg(sample, weights)  
    print(f"样本预测: {prediction}")