diff --git a/function.py b/function.py
index 6f1692f..ce2db14 100644
--- a/function.py
+++ b/function.py
@@ -49,25 +49,25 @@ def classify0(inX, dataSet, labels, k=3):
     - 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**。
+    - k (int): kNN 算法参数。
 
     Returns:
     - int: 预测的分类标签。
     """
-
-
-# 计算待分类样本与数据集中每个样本的距离
-    distances = np.sqrt(np.sum((dataSet - inX) ** 2, axis=1))
+    # 计算输入样本与数据集中每个样本的欧氏距离
+    diffMat = np.tile(inX, (dataSet.shape[0], 1)) - dataSet
+    sqDiffMat = diffMat ** 2
+    sqDistances = sqDiffMat.sum(axis=1)
+    distances = sqDistances ** 0.5
     
-    # 获取距离最近的k个样本的索引
-    sortedDistIndices = np.argsort(distances)
+    # 对距离进行排序，选择距离最小的 k 个样本
+    sortedDistIndices = distances.argsort()
     classCount = {}
     
-    # 遍历距离最近的k个样本
+    # 遍历距离最小的 k 个样本，统计每个类别的出现次数
     for i in range(k):
         voteIlabel = labels[sortedDistIndices[i]]
-        # 统计每个类别的出现次数
-        classCount[voteIlabel] = classCount.getvoteIlabel, classCount.getvoteIlabel + 1)
+        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
     
     # 选择出现次数最多的类别作为预测标签
     sortedClassCount = sorted(classCount.items(), key=lambda x: x[1], reverse=True)