diff --git a/function.py b/function.py
index c69e451..e955e9c 100644
--- a/function.py
+++ b/function.py
@@ -1,5 +1,5 @@
-# function.py
 import numpy as np
+import pandas as pd
 
 """
 实验说明:
@@ -17,7 +17,6 @@ import numpy as np
 - numpy: 2.1.1
 """
 
-
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 姓名请直接**填写中文**
@@ -26,21 +25,49 @@ import numpy as np
 id = "202210423115"
 name = "李煜锋"
 
+def load_data(filepath):
+    """
+    从文件中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
 
-# 这里写自己的代码实现
-def train_logreg(X, y, other_params="你自己设置一些其它参数"):
+    Args:
+    - filepath (str): 数据文件路径。
+
+    Returns:
+    - np.array: 特征数据。
+    - np.array: 标签数据。
+    """
+    # 使用空白作为分隔符读取数据
+    data = pd.read_csv(filepath, sep='\s+', header=None, na_values='?')
+    
+    # 填充缺失值
+    data.fillna(0, inplace=True)
+
+    # 处理目标变量，假设第 23 列是目标变量（索引 22）
+    data[22] = data[22].replace({2: 0, 3: 0})
+
+    # 去掉特征 3（索引 2）及特征 24~28（索引 23~27），如果这些列存在
+    columns_to_drop = [2, 23, 24, 25, 26, 27]
+    data = data.drop(columns=[col for col in columns_to_drop if col in data.columns])
+
+    # 分离特征和标签
+    X = data.drop(columns=[22]).to_numpy()  # 特征数据
+    y = data[22].to_numpy()  # 标签数据
+    return X, y
+
+def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     """
     对率回归训练函数。
 
     Args:
     - X (numpy array): 特征数据。
     - y (numpy array): 标签数据。
-    - other_params (str): 其它参数，可选设置。若需设置其它参数，必须设置其默认值，否则将**无法通过**自动评测，**成绩为零**。
+    - learning_rate (float): 学习率，默认值为0.01。
+    - iterations (int): 迭代次数，默认值为1000。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
-m, n = X.shape
+    m, n = X.shape
     weights = np.zeros(n)
     
     # 梯度下降法
@@ -63,7 +90,7 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
-linear_model = np.dot(inX, weights)
+    linear_model = np.dot(inX, weights)
     prediction = 1 / (1 + np.exp(-linear_model))  # sigmoid函数
     return 1 if prediction >= 0.5 else 0  # 采用0.5作为阈值
 
@@ -81,48 +108,3 @@ if __name__ == "__main__":
     # 测试单个数据
     y_pred = predict_logreg(X_test[11], weights)
     print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
-
-# 这里也写自己的代码实现
-def load_data(filepath):
-    """
-    从文件中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
-
-    Args:
-    - directory (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-# 使用空白作为分隔符读取数据
-    data = pd.read_csv(filepath, sep='\s+', header=None, na_values='?')
-    
-    # 填充缺失值
-    data.fillna(0, inplace=True)
-
-    # 处理目标变量，假设第 23 列是目标变量（索引 22）
-    data[22] = data[22].replace({2: 0, 3: 0})
-
-    # 去掉特征 3（索引 2）及特征 24~28（索引 23~27），如果这些列存在
-    columns_to_drop = [2, 23, 24, 25, 26, 27]
-    data = data.drop(columns=[col for col in columns_to_drop if col in data.columns])
-
-    # 分离特征和标签
-    X = data.drop(columns=[22]).to_numpy()  # 特征数据
-    y = data[22].to_numpy()  # 标签数据
-    return X, y
-
-if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
-    # 加载训练集
-    X_train, y_train = load_data("./data/horse-colic.data")
-
-    # 加载测试集
-    X_test, y_test = load_data("./data/horse-colic.test")
-
-    # 训练对率回归模型
-    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
-
-    # 测试单个数据
-    y_pred = predict_logreg(X_test[11], weights)
-    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")