From e81f14655295b003ef9e981d325d5871debc1cac Mon Sep 17 00:00:00 2001
From: yuhaopan <1159526601@qq.com>
Date: Thu, 26 Sep 2024 16:40:21 +0800
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20function.py?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 function.py | 44 +++++++++++++++++++++++++++++++++-----------
 1 file changed, 33 insertions(+), 11 deletions(-)

diff --git a/function.py b/function.py
index 89b7dc3..51c0bbd 100644
--- a/function.py
+++ b/function.py
@@ -23,8 +23,8 @@ import numpy as np
 """
 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 = "202210423226"
+name = "潘宇豪"
 
 
 """
@@ -38,23 +38,46 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify0(inX, dataSet, labels):
+def classify0(inX, dataSet, labels, k=3):
     """
     KNN 分类算法。
 
-    Args:
+    参数:
     - 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): 使用的邻居数量。
 
-    Returns:
+    返回值:
     - int: 预测的分类标签。
     """
+    # 计算输入样本与训练数据集中每个样本的欧氏距离
+    diffMat = np.tile(inX, (dataSet.shape[0], 1)) - dataSet
+    sqDiffMat = diffMat**2
+    sqDistances = sqDiffMat.sum(axis=1)
+    distances = np.sqrt(sqDistances)
 
+    # 对距离进行排序并找到最近的k个邻居
+    sortedDistIndices = distances.argsort()
+    classCount = {}
+
+    for i in range(k):
+        voteIlabel = labels[sortedDistIndices[i]]
+        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
+
+    # 返回出现次数最多的类别
+    sortedClassCount = sorted(classCount.items(), key=lambda item: item[1], reverse=True)
+    return sortedClassCount[0][0]
 
 def load_data(file_path):
     """
-    加载 TSV 格式数据文件。
+    加载TSV格式的数据文件。
+
+    参数:
+    - file_path (str): 数据文件的路径。
+
+    返回值:
+    - tuple: 包含特征数组和标签数组的元组。
     """
     features = []
     labels = []
@@ -68,11 +91,10 @@ def load_data(file_path):
     return np.array(features), np.array(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))
+    # 使用一个测试样本进行测试
+    test_result = classify0([65915, 3.868359, 0.128078], train_data, train_labels, k=3)
+    print("预测结果:", test_result)
\ No newline at end of file