diff --git a/function.py b/function.py
index 355c119..1b75a90 100644
--- a/function.py
+++ b/function.py
@@ -18,6 +18,11 @@ name = "陈宇杰"
 - dataSet (numpy array): 训练数据集或测试数据集，shape 为 (m, 1024)。
 - labels (numpy array): 训练集或测试集对应的标签，shape 为 (m,)。
 """
+import numpy as np
+import os
+from collections import Counter
+
+# 加载数据的函数
 def load_dataset(directory):
     file_list = os.listdir(directory)
     data_matrix = []
@@ -34,14 +39,7 @@ def load_dataset(directory):
     
     return np.array(data_matrix), np.array(labels)
 
-"""
-函数名称: img_to_vector
-功能: 将32x32的二值图像转换为1x1024的向量。
-参数:
-- file_path (str): 图像文件的路径。
-返回值:
-- vector (numpy array): 转换后的1x1024的向量。
-"""
+# 将32x32的二值图像转换为1x1024的向量
 def img_to_vector(file_path):
     vector = np.zeros((1, 1024))
     with open(file_path, 'r') as f:
@@ -51,61 +49,24 @@ def img_to_vector(file_path):
                 vector[0, 32 * i + j] = int(lines[i][j])
     return vector
 
-"""
-函数名称: classify
-功能: 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，shape 为 (1024,)。
-- dataSet (numpy array): 训练数据集，shape 为 (m, 1024)。
-- labels (list or numpy array): 训练集对应的标签，shape 为 (m,)。
-- k (int): kNN 算法的参数，默认值为3。
-返回值:
-- int: 预测的分类标签。
-"""
+# kNN 分类函数
 def classify(input_vector, dataSet, labels, k=3):
     # 计算欧氏距离
     distances = np.linalg.norm(dataSet - input_vector, axis=1)
     # 获取距离最近的k个样本的标签
     nearest_neighbors = np.argsort(distances)[:k]
     nearest_labels = labels[nearest_neighbors]
-    
-    # 确保 nearest_labels 是一维的，转换为 Python 列表
-    nearest_labels = nearest_labels.flatten().tolist()
-    
+    # 转换 nearest_labels 为 Python 列表
+    nearest_labels = nearest_labels.tolist()
     # 投票，返回出现次数最多的标签
     most_common = Counter(nearest_labels).most_common(1)
     return most_common[0][0]
 
-"""
-函数名称: normalize_data
-功能: 对数据进行归一化处理，将特征缩放到相同范围，通常是 [0, 1]。
-参数:
-- dataSet (numpy array): 需要归一化的训练数据集或测试数据集。
-返回值:
-- normalized_dataSet (numpy array): 归一化后的数据集。
-"""
-def normalize_data(dataSet):
-    # 将数据集 reshape 成二维数组
-    num_samples = dataSet.shape[0]
-    dataSet_reshaped = dataSet.reshape(num_samples, -1)
-    
-    # 对数据进行归一化处理
-    scaler = MinMaxScaler()
-    return scaler.fit_transform(dataSet_reshaped)
-
-"""
-实验主程序:
-- 加载训练集和测试集。
-- 测试 kNN 算法的分类效果，并计算分类精度。
-"""
+# 实验主程序
 def main():
     # 加载训练集和测试集
-    training_data, training_labels = load_dataset('trainingDigits')
-    test_data, test_labels = load_dataset('testDigits')
-    
-    # 归一化数据
-    training_data = normalize_data(training_data)
-    test_data = normalize_data(test_data)
+    training_data, training_labels = load_dataset('trainingdigits')
+    test_data, test_labels = load_dataset('testdigits')
 
     # 测试 kNN 算法
     total_tests = len(test_data)