更新 function.py

function.py

@@ -79,52 +79,19 @@ def predict_svm(inX, weights, bias):
 
 # 这里也写自己的代码实现
 import numpy as np
+import pandas as pd
 
-def load_data(filepath):
-    """
-    从文件中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
-
-    Args:
-    - filepath (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-    # 使用 np.genfromtxt 处理缺失值
-    data = np.genfromtxt(filepath, delimiter=',', dtype=str, filling_values='nan')
-
-    # 检查数据的维度
-    if data.ndim == 1:
-        # 如果数据是一维的，可能是因为文件只有一行
-        data = np.expand_dims(data, axis=0)
-
-    # 特征数据
-    X = data[:, :-1]  # 所有列，除了最后一列
-    # 标签数据
-    y = data[:, -1]  # 最后一列
-
-    # 将标签转换为 -1 和 1
-    y = np.where(y == '1', 1, -1)  # 假设标签为 '1' 表示死亡，其他为存活
-
-    # 处理特征数据中的缺失值
-    # 将 '?' 替换为 np.nan
-    X[X == '?'] = np.nan
-
-    # 将特征数据转换为浮点数
-    try:
-        X = X.astype(float)
-    except ValueError as e:
-        print(f"转换特征数据时出错: {e}")
-        print("特征数据内容:", X)
-
-    # 处理缺失值：可以选择填充或删除
-    # 这里选择用列的均值填充缺失值
-    col_mean = np.nanmean(X.astype(float), axis=0)  # 计算每列的均值
-    inds = np.where(np.isnan(X))  # 找到缺失值的索引
-    X[inds] = np.take(col_mean, inds[1])  # 用均值填充缺失值
-
-    return X, y
+def load_data(data):
+    # 将数据转换为 DataFrame
+    df = pd.DataFrame(data)
+    
+    # 清洗数据，替换 '?' 为 NaN
+    df.replace('?', np.nan, inplace=True)
+    
+    # 尝试将数据转换为浮点数
+    df = df.apply(pd.to_numeric, errors='coerce')
+    
+    return df
 
 
 if __name__ == "__main__":