更新 function.py

function.py

@@ -25,8 +25,8 @@ import os
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423103"
+name = "王坤"
 
 
 """
@@ -41,7 +41,16 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify(input_vector, dataSet, labels, k=0):
+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 = "202210423xxx"
+name = "test_name"
+
+def classify(input_vector, dataSet, labels, k=3):
     """
     KNN 分类算法。
 
@@ -49,14 +58,26 @@ 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，默认设置为3。
 
     Returns:
     - int: 预测的分类标签。
     """
+    # 计算输入向量与训练集样本的欧氏距离
+    distances = np.linalg.norm(dataSet - input_vector, axis=1)
+
+    # 按距离排序并获取前k个距离最小的索引
+    sorted_indices = distances.argsort()[:k]
+
+    # 统计前k个邻居的标签
+    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
 
 
-# 这里也写自己的代码实现
 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**。
@@ -65,12 +86,25 @@ def load_dataset(directory):
     - directory (str): 数据文件夹路径。
 
     Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
+    - np.array: 特征数据矩阵。
+    - np.array: 标签数组。
     """
+    file_list = os.listdir(directory)
+    num_files = len(file_list)
+    
+    # 初始化数据矩阵和标签数组
+    data_matrix = np.zeros((num_files, 1024))
+    labels = []
+    
+    for i, file_name in enumerate(file_list):
+        # 文件名格式：label_index.txt，例如 0_1.txt，标签为 0
+        label = int(file_name.split('_')[0])
+        labels.append(label)
+        data_matrix[i, :] = img_to_vector(os.path.join(directory, file_name))
+    
+    return data_matrix, np.array(labels)
 
 
-# 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。
@@ -80,12 +114,19 @@ def img_to_vector(filename):
     - filename (str): 图像文件路径。
 
     Returns:
-    - np.array: 二值图像向量。
+    - np.array: 二值图像向量 (1x1024)。
     """
+    return_vector = np.zeros((1, 1024))  # 创建1x1024的零向量
+    with open(filename) as file:
+        for i in range(32):  # 图像为32x32
+            line_str = file.readline()
+            for j in range(32):
+                return_vector[0, 32 * i + j] = int(line_str[j])  # 转换为1x1024向量
+    return return_vector
 
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
+    # 测试代码示例，加载训练集并进行分类
     train_data, train_labels = load_dataset("trainingDigits")
 
     test_data = (
@@ -122,10 +163,11 @@ if __name__ == "__main__":
         "00000000000001111111110000000000"
         "00000000000000000111100000000000"
     )
-    predicted_label = classify(
-        np.array([int(char) for char in test_data]).reshape(1, 1024),
-        train_data,
-        train_labels,
-    )
+
+    # 将测试数据转换为向量
+    test_vector = np.array([int(char) for char in test_data]).reshape(1, 1024)
+    
+    # 使用 kNN 进行分类
+    predicted_label = classify(test_vector, train_data, train_labels)
 
     print(f"预测的标签: {predicted_label}")