2025MCM_ICM/ProblemC/SVMClassifier.py

import os
import pandas as pd
import sklearn
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline




def main():
    """"""
    data=LoadData()
    # PrintData(data)
    svm_model = DepartData(data)




def LoadData():
    dir_path=f"../summerOly_Teams_Data"
    # 初始化一个字典来存储每个国家的数据
    data_dict = {}
    partition=32
    # 遍历文件夹中的所有文件
    for filename in os.listdir(dir_path):
        if filename.endswith('.csv'):
            # 获取国家名称（文件名去掉.csv）
            team_name = filename[:-4]
            file_path = os.path.join(dir_path, filename)
            # 读取CSV文件
            df = pd.read_csv(file_path)
            # 设置Year为索引
            df.set_index('Year', inplace=True)
            # 提取特征X（去除第一列和第五、第六列）
            X = df.drop(columns=['Gold', 'Total'], errors='ignore')
            # 构建目标Y（是否获得过奖牌）
            # Y = (df['Gold'] > 0) | (df['Total'] > 0)
            Y = (df['Total'][:partition] > 0).any()
            # 将数据存储到字典中
            # data_dict[team_name] = {'X': X, 'Y': Y}
            data_dict[team_name] = {}
            for year in X.index:
                if year >= 1992:
                    continue
                data_dict[team_name][year] = {'X': X.loc[year], 'Y': Y}
    return data_dict



def PrintData(data):
    team = 'United States'  # 示例国家
    year = 1980  # 示例年份
    if team in data and year in data[team]:
        X_data = data[team][year]['X']
        Y_data = data[team][year]['Y']
        print(f"Data for {team} in {year}:")
        print("Features (X):")
        print(X_data)
        print("\nLabel (Y):")
        print(Y_data)
    else:
        print(f"No data available for {team} in {year}.")


def DepartData(data):
    # 提取所有特征数据和标签
    all_X = []
    all_Y = []
    for team in data:
        for year in data[team]:
            all_X.append(data[team][year]['X'].values)  # 提取特征数据
            all_Y.append(data[team][year]['Y'])  # 提取标签数据
    # 将特征数据和标签数据转换为适合SVM的格式
    all_X = pd.DataFrame(all_X)
    all_Y = pd.Series(all_Y)
    # 划分训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(all_X, all_Y, test_size=0.2, random_state=42)
    print(X_train)
    print(X_test)
    # 创建SVM分类器
    svm_model = make_pipeline(StandardScaler(), SVC(kernel='linear', random_state=42))
    #kernel='linear'  含义：kernel 参数指定了 SVM 所使用的核函数，核函数的作用是将输入数据映射到高维空间，从而使数据在高维空间中变得线性可分。'linear' 表示使用线性核函数，即不进行非线性映射，直接在原始特征空间中寻找最优的分类超平面。线性核函数适用于数据本身就是线性可分或者近似线性可分的情况，计算速度相对较快，且模型的可解释性较强。   适用场景：当特征数量较多，且数据大致呈线性分布时，线性核函数往往能取得较好的效果。
    #random_state=42  含义：random_state 参数用于设置随机数生成器的种子。在 SVM 训练过程中，有些步骤可能涉及到随机初始化（例如在求解优化问题时的初始点选择），设置 random_state 可以保证每次运行代码时得到相同的随机结果，从而使实验具有可重复性。这里将其设置为 42 是一种常见的做法，42 本身并没有特殊含义，只是一个随意选择的整数值。
    # 训练模型
    svm_model.fit(X_train, y_train)
    # 评估模型
    train_score = svm_model.score(X_train, y_train)
    test_score = svm_model.score(X_test, y_test)
    print(f"Training Set Accuracy: {train_score:.4f}")
    print(f"Test Set Accuracy: {test_score:.4f}")
    # 如果需要进行交叉验证
    cv_scores = cross_val_score(svm_model, all_X, all_Y, cv=5)
    print(f"Cross-Validation Scores: {cv_scores}")
    print(f"Mean Cross-Validation Score: {cv_scores.mean():.4f}")
    # 将训练好的 svm_model 返回即可
    return svm_model

if __name__=="__main__":
    main()