# function.py
import numpy as np
import os

"""
实验说明:
- 自行编写实现数据加载与 kNN 的手写数字分类算法。
- 函数输入: 待分类的样本 input_vector, 训练数据集 dataSet, 训练集对应的标签 labels。
- 函数返回: 预测的分类标签。

注意事项:
- 在 function.py 中实现 kNN 分类算法。
- 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 classify 和 load_data 函数，请勿修改函数名。
- 训练集和测试集需手动下载解压，并放入当前目录下。

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。
"""
id = "202210423221"
name = "廖子豪"


"""
参数说明:
- 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**。
返回值:
- int: 预测的分类标签。
"""


# 这里写自己的代码实现


def classify(input_vector, dataSet, labels, k_values=[1, 31]):
    # ... 你的代码 ...

def load_dataset(directory):
    labels = []
    file_list = os.listdir(directory)
    num_samples = len(file_list)
    dataset = np.zeros((num_samples, 1024))

    for i, filename in enumerate(file_list):
        label = int(filename.split("_")[0])  # 从文件名中提取标签
        labels.append(label)
        dataset[i, :] = img_to_vector(os.path.join(directory, filename))

    return dataset, np.array(labels)

def img_to_vector(filename):
    with open(filename, 'r') as file_in:
        img_vector = np.zeros((1, 1024))
        for idx, line in enumerate(file_in):
            for col_idx, char in enumerate(line.strip()):
                img_vector[0, idx * 32 + col_idx] = int(char)
    return img_vector

if __name__ == "__main__":
    # 请确保trainingDigits文件夹在你的工作目录中，或者提供完整的路径
    train_data, train_labels = load_dataset("trainingDigits")

    test_data = (
        # ... 你的测试数据 ...
    )
    predicted_label = classify(
        np.array([int(char) for char in test_data]).reshape(1, 1024),
        train_data,
        train_labels,
    )

    print(f"预测的标签: {predicted_label}")