diff --git a/function.py b/function.py
index b1f8c16..e04c803 100644
--- a/function.py
+++ b/function.py
@@ -25,8 +25,8 @@ import os
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423123"
+name = "廖宇航"
 
 
 """
@@ -41,7 +41,7 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify(input_vector, dataSet, labels, k=0):
+def classify(input_vector, dataSet, labels, k=3):
     """
     KNN 分类算法。
 
@@ -54,9 +54,26 @@ def classify(input_vector, dataSet, labels, k=0):
     Returns:
     - int: 预测的分类标签。
     """
+    """
+    使用欧式距离的 kNN 分类算法。
+    """
+     # 计算欧式距离
+    distances = np.linalg.norm(dataSet - input_vector, axis=1)
+    
+    # 获取距离最近的 k 个样本的索引
+    k_indices = np.argsort(distances)[:k]
+    
+    # 获取最近邻样本的标签
+    k_nearest_labels = [labels[i] for i in k_indices]
+    
+    # 找出出现次数最多的标签
+    most_common = max(set(k_nearest_labels), key=k_nearest_labels.count)
+    
+    return most_common
 
 
 # 这里也写自己的代码实现
+
 def load_dataset(directory):
     """
     从文件夹中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
@@ -68,6 +85,24 @@ def load_dataset(directory):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+    features = []
+    labels = []
+    
+    # 遍历文件夹中的所有文件
+    for filename in os.listdir(directory):
+        if filename.endswith(".txt"):  # 假设文件是 .txt 格式
+            filepath = os.path.join(directory, filename)
+            
+            # 假设文件名格式为 "数字_编号.txt"
+            label = int(filename.split('_')[0])
+            
+            # 加载文件中的二进制数据并转换为 1D 向量
+            image_vector = img_to_vector(filepath)
+            
+            features.append(image_vector)
+            labels.append(label)
+    
+    return np.array(features), np.array(labels)
 
 
 # 这里还写自己的代码实现
@@ -82,6 +117,11 @@ def img_to_vector(filename):
     Returns:
     - np.array: 二值图像向量。
     """
+    with open(filename) as file:
+        lines = file.readlines()
+        image_vector = np.array([int(char) for line in lines for char in line.strip()])
+    
+    return image_vector
 
 
 if __name__ == "__main__":