"""
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 = "202210423211"
name = "梅晓东"


import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score


def load_data(file_path):
    """
    加载数据
    :param file_path: 数据文件路径
    :return: 特征和标签
    """
    data = pd.read_csv(file_path)
    X = data.drop('death', axis=1)  # 假设 'death' 列为标签
    y = data['death']
    return X, y

def train_logreg(X, y):
    """
    训练对率回归模型
    :param X: 特征
    :param y: 标签
    :return: 训练好的模型
    """
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    model = LogisticRegression()
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    print(f'Accuracy: {accuracy:.2f}')
    return model

def predict_logreg(model, X_new):
    """
    使用训练好的模型进行预测
    :param model: 训练好的对率回归模型
    :param X_new: 新的特征数据
    :return: 预测结果
    """
    predictions = model.predict(X_new)
    return predictions