function [dependency,smp_csst]=clsf_dpd_fast(data_array,delta,smp_chk)
%程序描述：clsf_dpd_fast,計(jì)算新加入的一個(gè)屬性的依賴度(no,no,yes)-----------新思想+我的改進(jìn)1
%5種情況：（每次是否檢查全部樣本、鄰域樣本是否全部檢查、距離是否計(jì)算完）=>(yes，yes,yes)+(no，yes,yes)+(no，yes,n
%o)+(no,no,yes)+(no,no,no)
%鄰域計(jì)算復(fù)雜度有兩種，這里用的舊的：邊界上的樣本認(rèn)為會全部分錯(cuò)
%data_array：標(biāo)準(zhǔn)化之后的數(shù)據(jù),數(shù)組，列表示一個(gè)屬性(包括決策屬性)在不同樣本上的取值，行表示一個(gè)樣本在不同屬性上的取值
%delta：鄰域大小,固定值
%smp_chk:需判斷類別的樣本編號，新加入的屬性只對這些樣本有作用，因此計(jì)算的是新加入屬性的依賴度
[m,n]=size(data_array);
num_rightclassified=0;
smp_csst=[];
for i=1:length(smp_chk)
    % find the neighborhood of xi
    sign=1;
    j=0;
    while j~=m
        j=j+1;
        square_distance=0;
        if j~=i        
            for k=1:n-1   
                d=(data_array(smp_chk(i),k)-data_array(j,k))^2;
                if d>1 
                    square_distance=square_distance+1; % for categorical features
                else
                    square_distance=square_distance+d; % for numerical features
                end
            end
            if sqrt(square_distance)<=delta
                if data_array(j,n)~=data_array(smp_chk(i),n)
                    j=m;
                    sign=0;
                end
            end
        end
    end
    if sign==1
        num_rightclassified=num_rightclassified+1;
        smp_csst=[smp_csst,smp_chk(i)];
    end
end
dependency=num_rightclassified/m;