import numpy as np
import os

"""
请在这里填写学号和姓名，不填写即成绩无效。
"""
id = "202210423124"
name = "刘子豪"

def classify0(input_vector, dataSet, labels, k=3):
    """
    KNN 分类算法。

    Args:
    - 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**。

    Returns:
    - int: 预测的分类标签。
    """
    # 计算输入向量与训练集中每个样本的欧氏距离
    distances = np.linalg.norm(dataSet - input_vector, axis=1)

    # 按照距离从小到大排序并获取前k个距离最小的索引
    sorted_indices = distances.argsort()[:k]

    # 统计前k个最近邻的标签
    nearest_labels = [labels[i] for i in sorted_indices]

    # 返回出现次数最多的标签
    predicted_label = max(set(nearest_labels), key=nearest_labels.count)

    return predicted_label

def load_data(file_path):
    """
    从 TSV 文件中加载数据集。

    Args:
    - file_path (str): TSV 文件路径。

    Returns:
    - np.array: 特征数据。
    - np.array: 标签数据。
    """
    data = np.loadtxt(file_path, delimiter='\t')
    data_set = data[:, :-1]  # 假设最后一列是标签
    labels = data[:, -1].astype(int)
    return data_set, 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)

    # 示例测试样本，确保维度与训练数据一致
    test_sample = np.array([65915, 3.868359, 0.128078])
    prediction = classify0(test_sample, train_data, train_labels)
    print(f"预测的分类标签: {prediction}")、