题目内容

电子厂质量工程师要根据历史检测记录，把器件判定为合格（标签 0）或次品（标签 1），再给新批次给出预测。公司研发规范要求：实现必须仅依赖 numpy / pandas / scikit-learn；分类器必须是线性支持向量机，并用分层 3 折交叉验证与网格搜索自动选择惩罚系数 $C$。

1. 读取数据：训练集是二维表，最后一列为标签 $y \in \{0, 1\}$，前 $m$ 列为数值特征；测试集只含同样维度的特征。
2. 建模管线：预处理使用 StandardScaler（只在当前训练折上 fit，再 transform）。基础模型使用 SVC，固定 kernel = "linear"、random_state = 42。网格 $C \in \{0.1, 1.0, 10.0\}$。分层交叉验证固定 n_splits = 3、shuffle = True、random_state = 42。评估指标 scoring = "accuracy"。使用 GridSearchCV 组合上述要素；当多组参数并列最高分时，按参数字典序取最先出现的一组（即较小的 $C$）。
3. 在完整训练集上以最佳参数 refit = True 重新训练，对测试集直接预测。
4. 只输出测试集的预测标签（0 / 1）。

约束：训练样本数 $n$ 满足 $20 \le n \le 200$，特征维数 $m$ 满足 $2 \le m \le 10$，测试样本数 $q$ 满足 $1 \le q \le 100$。

输入描述

第一行两个整数 $n$ 和 $m$，分别表示训练样本数和特征维数。 接下来 $n$ 行，每行 $m+1$ 个数：前 $m$ 个为浮点特征，最后一个为整数标签 $y \in \{0, 1\}$。 接下来一行一个整数 $q$，表示测试样本数。 接下来 $q$ 行，每行 $m$ 个浮点数，表示一个测试样本的特征。 保证 $20 \le n \le 200$，$2 \le m \le 10$，$1 \le q \le 100$。

输出描述

输出 $q$ 行，每行一个整数 0 或 1，表示对应测试样本的预测标签。

样例1

输入

20 2
-3.5 -2.8 0
-4.1 -3.2 0
-2.7 -3.9 0
-3.8 -2.1 0
-4.4 -3.6 0
-2.9 -4.0 0
-3.1 -2.5 0
-4.6 -2.9 0
-2.4 -3.3 0
-3.7 -4.2 0
3.5 2.8 1
4.1 3.2 1
2.7 3.9 1
3.8 2.1 1
4.4 3.6 1
2.9 4.0 1
3.1 2.5 1
4.6 2.9 1
2.4 3.3 1
3.7 4.2 1
3
4.0 4.0
-4.0 -4.0
0.3 0.3

输出

1
0
1

说明

训练集共 20 个样本、2 维特征：前 10 个标签为 0 聚集在第三象限附近，后 10 个标签为 1 聚集在第一象限附近。经 StandardScaler 与分层 3 折网格搜索后选出最佳 $C$，再对测试集预测。

点 $(4.0,4.0)$ 落在正类一侧，预测 1；$(-4.0,-4.0)$ 落在负类一侧，预测 0；$(0.3,0.3)$ 靠近正类一侧，预测 1。

样例2

输入

20 2
-5.0 -1.0 0
-4.5 -0.5 0
-5.5 -1.5 0
-4.2 -0.8 0
-5.2 -1.2 0
-4.8 -0.2 0
-5.8 -1.8 0
-4.0 -1.4 0
-5.4 -0.6 0
-4.6 -1.6 0
5.0 1.0 1
4.5 0.5 1
5.5 1.5 1
4.2 0.8 1
5.2 1.2 1
4.8 0.2 1
5.8 1.8 1
4.0 1.4 1
5.4 0.6 1
4.6 1.6 1
2
6.0 1.0
-6.0 -1.0

输出

1
0

说明

两类在横轴两侧分离。测试点 $(6.0,1.0)$ 与正类同侧，预测 1；$(-6.0,-1.0)$ 与负类同侧，预测 0。