解题思路

读取输入数据：输入为一行字符串，表示一个 Python 风格的二维列表。每个内层列表的最后一个元素是字符串 '0' 或 '1' 的类别标签，其余元素为整数特征。在 Python 中可直接使用 eval() 将其转换为列表对象；在 Java 和 C++ 中需要对字符串进行解析，提取每个样本的标签。
提取标签并统计：遍历所有样本，获取每个样本的最后一个元素（即标签），并使用计数器（字典或数组）记录标签 '0' 和 '1' 出现的次数。
计算比例：设样本总数为 $N$ ，标签 $k$ 的样本数为 $c_k$ ，则比例 $p_k = c_k / N$ 。由于标签只有 0 和 1 两类，当一类未出现时，其 $p_k=0$ ，对应的熵贡献为 $0$ 。
套用混杂度公式：根据公式 $H = -\sum_{k} p_k \log_2 p_k$ 计算。若 $p_k > 0$ ，累加 $-p_k \cdot \log_2(p_k)$ ；若为 $0$ 则直接跳过。
格式化输出：最终结果保留三位小数输出，可使用格式化字符串（如 printf("%.3f", H) 或 f"{H:.3f}"）。

复杂度分析

在数据分析中，经常需要衡量一组标注数据的标签分布情况。给定一个数据集，每一条记录由若干特征和一个类别标签组成。类别标签为字符 '0' 或 '1'，表示两种不同的类别。为了评估类别分布的均衡程度，定义 混杂度 $H$ 的计算公式为：

H = -\sum_{k} p_k \log_2 p_k

其中 $p_k$ 表示数据集中标签为类别 $k$ 的样本所占的比例，当某个类别比例为 $0$ 时，该项贡献为 $0$ 。请根据给定的数据集，计算其混杂度，并保留三位小数输出。