111

function.py

@@ -1,5 +1,6 @@
 # function.py
 import numpy as np
+from collections import Counter
 import os
 
 """
@@ -41,7 +42,7 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify(input_vector, dataSet, labels, k=0):
+def classify(input_vector, dataSet, labels, k=3):
     """
     KNN 分类算法。
 
@@ -49,39 +50,123 @@ def classify(input_vector, dataSet, labels, k=0):
     - 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**。
+    - k (int): kNN 算法参数，默认值为 3。
 
     Returns:
     - int: 预测的分类标签。
     """
-
+    # 计算输入向量与数据集中每个向量之间的欧几里得距离
+    distances = np.sqrt(np.sum((input_vector - dataSet) ** 2, axis=1))
+    
+    # 获取距离最小的k个样本的索引
+    k_indices = np.argsort(distances)[:k]
+    
+    # 获取这些样本对应的标签
+    k_nearest_labels = labels[k_indices]
+    
+    # 使用Counter统计这些标签中出现次数最多的标签
+    label_count = Counter(k_nearest_labels)
+    
+    # 返回出现次数最多的标签
+    return label_count.most_common(1)[0][0]
 
 # 这里也写自己的代码实现
+def img_to_vector(filename):
+    """
+    将二值图像转换为向量。
+    
+    Args:
+    - filename (str): 图像文件路径。
+    
+    Returns:
+    - np.array: 二值图像向量。
+    """
+    return np.array([int(char) for line in open(filename) for char in line.strip()])
+
 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**。
-
+    从文件夹中加载数据。
+    
     Args:
     - directory (str): 数据文件夹路径。
-
+    
     Returns:
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+    images = []
+    labels = []
+    
+    # 遍历目录中的所有子目录
+    for label_dir in os.listdir(directory):
+        # 构建完整的子目录路径
+        label_dir_path = os.path.join(directory, label_dir)
+        
+        # 确保是目录而不是文件
+        if os.path.isdir(label_dir_path):
+            # 遍历目录中的所有文件
+            for filename in os.listdir(label_dir_path):
+                # 构建完整的文件路径
+                file_path = os.path.join(label_dir_path, filename)
+                
+                # 读取文件内容并转换为向量
+                image_vector = img_to_vector(file_path)
+                
+                # 添加向量和标签到列表中
+                images.append(image_vector)
+                labels.append(int(label_dir))
+    
+    # 将列表转换为 NumPy 数组
+    return np.array(images), np.array(labels)
+
+# 示例用法
+if __name__ == "__main__":
+    train_dir = "trainingDigits"  # 训练集目录
+    test_dir = "testDigits"  # 测试集目录
+    
+    train_images, train_labels = load_dataset(train_dir)
+    test_images, test_labels = load_dataset(test_dir)
+    
+    print("训练集特征形状：", train_images.shape)
+    print("训练集标签形状：", train_labels.shape)
+    print("测试集特征形状：", test_images.shape)
+    print("测试集标签形状：", test_labels.shape)
 
 
 # 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。
     """
+    with open(filename, 'r') as file:
+        # 读取文件的每一行
+        lines = file.readlines()
+        
+        # 初始化一个空列表来存储向量
+        vector = []
+        
+        # 遍历每一行，将每个字符转换为整数并添加到列表中
+        for line in lines:
+            vector.extend([int(pixel) for pixel in line.strip()])
+    
+    # 将列表转换为 NumPy 数组并返回
+    return np.array(vector)
+
+# 示例用法
+if __name__ == "__main__":
+    # 假设有一个图像文件路径
+    filename = "path_to_your_image_file.txt"
+    
+    # 调用函数并打印结果
+    image_vector = img_to_vector(filename)
+    print("图像向量:", image_vector)
+    print("向量形状:", image_vector.shape)
 
 
 if __name__ == "__main__":