更新 function.py

function.py

@@ -1,8 +1,7 @@
 # function.py
 import numpy as np
 from collections import Counter
-from scipy.spatial.distance import mahalanobis  
-from sklearn.covariance import EmpiricalCovariance  # 用于计算协方差矩阵  
+from sklearn.preprocessing import StandardScaler  # 用于数据标准化  
 """
 挑战说明:
 - 自行编写实现 KNN 分类算法。
@@ -59,18 +58,13 @@ def classify0(inX, dataSet, labels, k=2):
     # 确保输入样本inX是numpy数组  
     inX = np.array(inX)  
       
-    # 将训练数据集转换为numpy数组（如果尚未转换）  
-    dataSet = np.array(dataSet)  
+    # 标准化数据（使用训练数据的均值和标准差来转换输入数据和训练数据）  
+    scaler = StandardScaler().fit(dataSet)  
+    dataSet_scaled = scaler.transform(dataSet)  
+    inX_scaled = scaler.transform([inX])  
       
-    # 计算训练数据集的均值向量和协方差矩阵  
-    mean_vector = np.mean(dataSet, axis=0)  
-    cov_matrix = EmpiricalCovariance().fit(dataSet).covariance_  
-      
-    # 计算输入样本与所有训练样本之间的马氏距离  
-    # 注意：mahalanobis函数要求输入样本和均值向量的形状匹配，因此我们需要reshape inX  
-    # 同时，我们需要为每个训练样本单独计算距离，因此我们需要循环或使用列表推导式  
-    distances = [mahalanobis(inX.reshape(1, -1), x_train.reshape(1, -1), VI=np.linalg.inv(cov_matrix))   
-                 for x_train in dataSet]  
+    # 计算输入样本与所有训练样本之间的欧几里得距离  
+    distances = [np.sqrt(np.sum((inX_scaled[0] - x_train) ** 2)) for x_train in dataSet_scaled]  
       
     # 根据距离对训练样本进行排序，并获取前k个最近邻的索引  
     k_indices = np.argsort(distances)[:k]