diff --git a/function.py b/function.py
index 37e9f8d..94c82c8 100644
--- a/function.py
+++ b/function.py
@@ -1,7 +1,6 @@
 # function.py
 import numpy as np
 import os
-from collections import Counter
 
 """
 实验说明:
@@ -41,41 +40,90 @@ name = "邓龙树"
 """
 
 
-# KNN 分类算法
-def classify(input_vector, dataSet, labels, k=3):
-    # 计算输入向量与训练集中每个样本的距离
-    distances = [np.linalg.norm(input_vector - data) for data in dataSet]
-    # 根据距离排序并获取前 k 个标签
-    k_indices = np.argsort(distances)[:k]
-    k_labels = [labels[index] for index in k_indices]
-    # 对 k 个标签进行投票，返回出现次数最多的标签
-    vote = Counter(k_labels).most_common(1)[0][0]
-    return vote
+# 这里写自己的代码实现
+import numpy as np  
+import os  
+from collections import Counter  
 
+  
+# 这里写自己的代码实现  
+def classify(input_vector, dataSet, labels, k=3):  
+    """  
+    使用 KNN 算法对输入样本进行分类。  
+  
+    参数:  
+	    - input_vector (numpy array): 输入待分类的样本（1xN）。  
+	    - dataSet (numpy array): 训练数据集（MxN）。  
+    - labels (list or numpy array): 训练集对应的标签。  
+    - k (int): kNN 算法参数，默认值为 3。  
+  
+    返回:  
+    - int: 预测的分类标签。  
+    """  
+    # 计算输入向量与训练集之间的欧氏距离
+    distances = np.sum((input_vector - dataSet) ** 2, axis=1) ** 0.5
+    # 根据距离排序并获取索引
+    sorted_indices = distances.argsort()
+    # 选择距离最近的k个点
+    k_nearest_labels = labels[sorted_indices[:k]].tolist()  # 将 NumPy 数组转换为列表
+    # 统计k个点中各类别的数量
+    count = Counter(k_nearest_labels)
+    # 返回数量最多的类别标签
+    return count.most_common(1)[0][0]
 
-# 从文件夹中加载数据
-def load_dataset(directory):
+# 这里也写自己的代码实现  
+def load_dataset(directory):  
+    """  
+    加载数据集中的图像，并将其转换为特征向量和标签。  
+  
+    参数:  
+    - directory (str): 数据文件夹路径。  
+  
+    返回:  
+	    - np.array: 特征数据（Mx1024）。  
+	    - np.array: 标签数据（Mx1）。  
+    """  
+    # 初始化特征数据列表和标签列表
     feature_list = []
     label_list = []
+    # 遍历目录中的所有文件
     for file in os.listdir(directory):
+        # 获取文件的完整路径
         file_path = os.path.join(directory, file)
-        feature = img_to_vector(file_path)
-        label = int(file.split('_')[0])
-        feature_list.append(feature)
-        label_list.append(label)
-    return np.array(feature_list), np.array(label_list)
-
-
-# 将二值图像转换为向量
-def img_to_vector(filename):
-    with open(filename, 'r') as f:
-        return np.array([int(char) for char in f.read().strip()])
-
+        # 将图像文件转换为向量
+        feature_vector = img_to_vector(file_path)
+        # 将特征向量添加到列表中
+        feature_list.append(feature_vector)
+        # 获取文件名中的标签并添加到标签列表中
+        label_list.append(int(file.split('_')[0]))
+    # 将特征列表和标签列表转换为numpy数组
+    feature_matrix = np.array(feature_list)
+    label_array = np.array(label_list)
+    return feature_matrix, label_array
+# 这里还写自己的代码实现  
+def img_to_vector(filename):  
+    """  
+    将二值图像转换为向量。  
+  
+    Args:  
+    - filename (str): 图像文件路径。  
+  
+    Returns:  
+    - np.array: 二值图像向量。  
+    """  
+    # 初始化向量
+    vector = np.zeros((1024,))  # 创建一个一维数组
+    # 打开文件并逐行读取
+    with open(filename) as file:
+        for i, line in enumerate(file):
+            # 将每行的数字字符转换为整数并存储到向量中
+            vector[i*32:i*32+32] = np.array([int(char) for char in line.strip()])
+    return vector
 
 if __name__ == "__main__":
-    #加载训练数据
+    # 以下代码可用于测试，可自行随意修改
     train_data, train_labels = load_dataset("trainingDigits")
-    #测试数据
+
     test_data = (
         "00000000000000110000000000000000"
         "00000000000011111000000000000000"
@@ -110,9 +158,11 @@ if __name__ == "__main__":
         "00000000000001111111110000000000"
         "00000000000000000111100000000000"
     )
-   # 将测试数据转换为向量
-    test_vector = np.array([int(char) for char in test_data]).reshape(1, 1024)
-    
-    # 进行分类预测
-    predicted_label = classify(test_vector, train_data, train_labels)
+    predicted_label = classify(
+        np.array([int(char) for char in test_data]).reshape(1, 1024),
+        train_data,
+        train_labels,
+    )
+
     print(f"预测的标签: {predicted_label}")
+