diff --git a/function.py b/function.py
index 7e5ad96..fcfa2d7 100644
--- a/function.py
+++ b/function.py
@@ -20,22 +20,7 @@ import numpy as np
 - Python: 3.10.12
 - numpy: 2.1.1
 """
-# 计算待分类样本与训练集中所有样本的欧氏距离  
-    distances = [np.sqrt(np.sum((x - inX) ** 2)) for x in dataSet]  
-      
-    # 根据距离排序，并获取前k个索引  
-    k_indices = np.argsort(distances)[:k]  
-      
-    # 获取前k个邻居的标签  
-    k_nearest_labels = [labels[i] for i in k_indices]  
-      
-    # 对标签进行投票，选择出现次数最多的标签  
-    from collections import Counter  
-    most_common = Counter(k_nearest_labels).most_common(1)  
-      
-    # 返回投票最多的标签  
-    return most_common[0][0]  
-  
+
 
 """
 请在这里填写学号和姓名，不填写即成绩无效。
@@ -57,18 +42,22 @@ name = "邓杰元"
 
 # 这里写自己的代码实现
 def classify0(inX, dataSet, labels, k=10):
-    """
-    KNN 分类算法。
-
-    Args:
-    - inX (numpy array): 输入待分类的样本。
-    - dataSet (numpy array): 训练数据集。
-    - labels (list or numpy array): 训练集对应的标签。
-    - k (int): kNN 算法参数，请**自行设置默认值**，评测时仅会使用其默认值，不修改默认值将**无法通过**评测，**成绩为零**。
-
-    Returns:
-    - int: 预测的分类标签。
-    """
+   # 计算待分类样本与训练集中所有样本的欧氏距离  
+    distances = [np.sqrt(np.sum((x - inX) ** 2)) for x in dataSet]  
+      
+    # 根据距离排序，并获取前k个索引  
+    k_indices = np.argsort(distances)[:k]  
+      
+    # 获取前k个邻居的标签  
+    k_nearest_labels = [labels[i] for i in k_indices]  
+      
+    # 对标签进行投票，选择出现次数最多的标签  
+    from collections import Counter  
+    most_common = Counter(k_nearest_labels).most_common(1)  
+      
+    # 返回投票最多的标签  
+    return most_common[0][0]  
+  
 
 
 def load_data(file_path):