diff --git a/function.py b/function.py
index d9656bd..38b2c0a 100644
--- a/function.py
+++ b/function.py
@@ -1,26 +1,7 @@
-# function.py
 import numpy as np
 import os
-
-"""
-实验说明:
-- 自行编写实现数据加载与 kNN 的手写数字分类算法。
-- 函数输入: 待分类的样本 input_vector, 训练数据集 dataSet, 训练集对应的标签 labels。
-- 函数返回: 预测的分类标签。
-
-注意事项:
-- 在 function.py 中实现 kNN 分类算法。
-- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
-- 自动评测脚本仅会加载 classify 和 load_data 函数，请勿修改函数名。
-- 训练集和测试集需手动下载解压，并放入当前目录下。
-
-测评环境:
-- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
-- OS: Ubuntu 22.04.4 LTS
-- Python: 3.10.12
-- numpy: 2.1.1
-"""
-
+from collections import Counter
+from sklearn.preprocessing import MinMaxScaler
 
 """
 请在这里填写学号和姓名，不填写即成绩无效。
@@ -28,23 +9,15 @@ import os
 id = "202210423210"
 name = "陈宇杰"
 
-
 """
-参数说明:
-- input_vector (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**。
+函数名称: load_data
+功能: 加载训练数据集和测试数据集。
+参数:
+- directory (str): 包含手写数字图像的文件夹路径。
 返回值:
-- int: 预测的分类标签。
+- 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_data(directory):
     file_list = os.listdir(directory)
     data_matrix = []
@@ -61,7 +34,14 @@ def load_data(directory):
     
     return np.array(data_matrix), np.array(labels)
 
-# 将32x32的二值图像转换为1x1024的向量
+"""
+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。
+"""
 def img_to_vector(file_path):
     vector = np.zeros((1, 1024))
     with open(file_path, 'r') as f:
@@ -71,7 +51,17 @@ def img_to_vector(file_path):
                 vector[0, 32 * i + j] = int(lines[i][j])
     return vector
 
-# kNN 分类函数
+"""
+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。
+"""
 def classify(input_vector, dataSet, labels, k=3):
     # 计算欧氏距离
     distances = np.linalg.norm(dataSet - input_vector, axis=1)
@@ -86,11 +76,36 @@ def classify(input_vector, dataSet, labels, k=3):
     most_common = Counter(nearest_labels).most_common(1)
     return most_common[0][0]
 
-# 实验主程序
+"""
+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。
+"""
 def main():
     # 加载训练集和测试集
-    training_data, training_labels = load_data('trainingdigits')
-    test_data, test_labels = load_data('testdigits')
+    training_data, training_labels = load_data('trainingDigits')
+    test_data, test_labels = load_data('testDigits')
+    
+    # 归一化数据
+    training_data = normalize_data(training_data)
+    test_data = normalize_data(test_data)
 
     # 测试 kNN 算法
     total_tests = len(test_data)
@@ -111,4 +126,3 @@ def main():
 
 if __name__ == '__main__':
     main()
-