# function.py
import numpy as np

"""
挑战说明:
- 自行编写实现数据加载与预测病马死亡的支持向量机算法。 

注意事项:
- 在 function.py 中实现支持向量机算法。
- 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_svm、predict_svm 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 = "202210423217"
name = "吴俊煯"


# 这里写自己的代码实现
def train_svm(X, y, learning_rate=0.01, iterations=1000):
    """
    支持向量机训练函数。

    Args:
    - X (numpy array): 特征数据。
    - y (numpy array): 标签数据。
    - learning_rate (float): 学习率。
    - iterations (int): 迭代次数。

    Returns:
    - numpy array: 训练得到的权重。
    """
    n_samples, n_features = X.shape
    # 初始化权重和偏置
    weights = np.zeros(n_features)
    bias = 0

    # 训练过程
    for _ in range(iterations):
        for idx, x_i in enumerate(X):
            # 计算预测值
            linear_output = np.dot(x_i, weights) + bias
            # 计算预测标签
            y_predicted = np.sign(linear_output)

            # 更新权重和偏置
            if y_predicted != y[idx]:
                weights += learning_rate * (y[idx] * x_i)
                bias += learning_rate * y[idx]

    return weights, bias


def predict_svm(inX, weights, bias):
    """
    支持向量机预测函数。

    Args:
    - inX (numpy array): 输入待分类的样本。
    - weights (numpy array): 训练得到的权重。
    - bias (float): 训练得到的偏置。

    Returns:
    - int: 预测的分类标签。
    """
    linear_output = np.dot(inX, weights) + bias
    return 1 if linear_output >= 0 else -1


# 这里也写自己的代码实现
import numpy as np
import pandas as pd

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__":
    # 以下代码可用于测试，可自行随意修改
    # 加载训练集
    X_train, y_train = load_data("./data/horse-colic.data")

    # 加载测试集
    X_test, y_test = load_data("./data/horse-colic.test")

    # 训练支持向量机模型
    weights, bias = train_svm(X_train, y_train, learning_rate=0.01, iterations=1000)

    # 测试单个数据
    y_pred = predict_svm(X_test[11], weights, bias)
    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")

    # 计算准确率
    correct_predictions = sum(predict_svm(x, weights, bias) == y for x, y in zip(X_test, y_test))
    accuracy = correct_predictions / len(y_test)
    print(f"测试集准确率: {accuracy * 100:.2f}%")