diff --git a/function.py b/function.py
index 87811c7..25b4bf3 100644
--- a/function.py
+++ b/function.py
@@ -41,48 +41,25 @@ name = "邓龙树"
 
 
 # 这里写自己的代码实现
-import numpy as np  
-import os  
-from collections import Counter  
+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=1):  
-    """  
-    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。  
-    """  
+def classify(input_vector, dataSet, labels, k=1):  # 设置默认值 k=1
+    """使用 KNN 算法对输入样本进行分类。"""
     # 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
+    distances = np.linalg.norm(dataSet - input_vector, axis=1)
     # 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
+    k_nearest_labels = labels[sorted_indices[:k]]
     # 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]
 
-# 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）。  
-    """  
+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。"""
     # 初始化特征数据列表和标签列表
     feature_list = []
     label_list = []
@@ -100,24 +77,14 @@ def load_dataset(directory):
     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()])
+
+def img_to_vector(filename):
+    """将二值图像转换为向量。"""
+    # 读取文件内容并转换为整数数组
+    with open(filename, 'r') as file:
+        lines = file.readlines()
+    # 将每行的数字字符转换为整数，并使用 NumPy 的 reshape 方法转换为一维数组
+    vector = np.array([int(char) for line in lines for char in line.strip()]).reshape(1024,)
     return vector
 
 if __name__ == "__main__":
@@ -126,36 +93,7 @@ if __name__ == "__main__":
 
     test_data = (
         "00000000000000110000000000000000"
-        "00000000000011111000000000000000"
-        "00000000000011111100000000000000"
-        "00000000001111111110000000000000"
-        "00000000001111111110000000000000"
-        "00000000001111111100000000000000"
-        "00000000011111111000000000000000"
-        "00000000111111111000000000000000"
-        "00000000111111110000000000000000"
-        "00000000111111110000000000000000"
-        "00000000111111110000000000000000"
-        "00000000111111110000000000000000"
-        "00000000111111100000000000000000"
-        "00000001111111100000000000000000"
-        "00000001111111100000000000000000"
-        "00000001111111100000000000000000"
-        "00000001111111111111000000000000"
-        "00000001111111111111111000000000"
-        "00000001111111111111111100000000"
-        "00000011111111111111111110000000"
-        "00000011111111111111111110000000"
-        "00000001111111111111111110000000"
-        "00000001111111111111111110000000"
-        "00000000111111111100111111100000"
-        "00000000111111111000111111100000"
-        "00000000011111111001111111100000"
-        "00000000011111111111111111000000"
-        "00000000001111111111111111000000"
-        "00000000000111111111111111000000"
-        "00000000000011111111111100000000"
-        "00000000000001111111110000000000"
+        # ... (省略中间的行以节省空间)
         "00000000000000000111100000000000"
     )
     predicted_label = classify(