Initial commit

function.py

@@ -0,0 +1,76 @@
+# function.py
+import numpy as np
+
+"""
+挑战说明:
+- 自行编写实现 KNN 分类算法。
+- 函数输入: 待分类的样本 inX, 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:
+- 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。
+- 在 function.py 中实现 KNN 分类算法。
+- 自动评测脚本仅会加载 classify0 函数，请勿修改函数名。
+- 训练集在本目录下的 datingTrainSet2.tsv 中。
+- 评测数据集在本目录下的 datingTestSet2.tsv 中。
+
+挑战环境:
+- 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 = "202210423xxx"
+name = "test_name"
+
+
+"""
+参数说明:
+- inX (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 classify0(inX, dataSet, labels, k=0):
+    """
+    KNN 分类算法。
+
+    Args:
+    - inX (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**。
+
+    Returns:
+    - int: 预测的分类标签。
+    """
+
+
+def load_data(file_path):
+    """
+    加载 TSV 格式数据文件。
+    """
+    data = np.loadtxt(file_path, delimiter="\t")
+    features = data[:, :-1]
+    labels = data[:, -1].astype(int)
+    return features, labels
+
+
+if __name__ == "__main__":
+    # 以下代码可用于测试，可自行随意修改
+
+    train_file = "datingTrainSet2.tsv"
+
+    train_data, train_labels = load_data(train_file)
+
+    print(classify0([65915, 3.868359, 0.128078], train_data, train_labels))