在右侧编辑器补充代码，完成calcInfoEntropy函数实现计算信息熵、

在Python中，我们可以使用概率论的知识来实现信息熵的计算。信息熵通常用于衡量随机变量不确定性的度量。对于给定的一组离散概率分布，信息熵`H(X)`可以用下面的公式表示：

\[ H(X) = -\sum_{i=1}^{n} p(x_i) \log_2(p(x_i)) \]

其中，\( p(x_i) \) 是第 \( i \) 个事件的概率，\( n \) 是所有事件的数量，而对数通常是以2为底的。

这里是一个简单的`calcInfoEntropy`函数实现示例：

import math

def calcInfoEntropy(probabilities):
    if not probabilities or sum(probabilities) != 1.0:
        raise ValueError("Probabilities must be a valid distribution (non-negative and sum to 1)")
    
    entropy = 0.0
    for prob in probabilities:
        if prob > 0:
            entropy += prob * math.log2(prob)
    
    return -entropy  # 返回负熵，因为原始公式中有个负号

# 示例用法
prob_dist = [0.5, 0.3, 0.2]
entropy_value = calcInfoEntropy(prob_dist)
print(f"Information Entropy: {entropy_value}")

在这个函数中，我们首先检查输入的概率是否构成有效的分布。然后，遍历每个概率值，计算它们的对数，并乘以相应的概率，最后将结果相加并取负值得到最终的熵。