diff --git a/function.py b/function.py
index b1f8c16..0b1bff6 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 = "202210423112"
+name = "严锡好"
 
 
 """
@@ -39,9 +39,8 @@ name = "test_name"
 - int: 预测的分类标签。
 """
 
-
 # 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。
 
@@ -49,14 +48,25 @@ def classify(input_vector, dataSet, labels, k=0):
     - 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**。
+    - k (int): kNN 算法参数，默认值为3。
 
     Returns:
     - int: 预测的分类标签。
     """
+    # 计算输入向量与数据集中每个向量之间的距离
+    distances = [np.linalg.norm(row-input_vector) for row in dataSet]
+    # 获取距离最小的k个样本的索引
+    sortedDistIndices = np.argsort(distances)
+    # 获取这些样本对应的标签
+    classCount = {}
+    for i in range(k):
+        voteLabel = labels[sortedDistIndices[i]]
+        # 统计每个类别的出现次数
+        classCount[voteLabel] = classCount.get(voteLabel, 0) + 1
+    # 返回出现次数最多的类别
+    sortedClassCount = sorted(classCount.items(), key=lambda x: x[1], reverse=True)
+    return sortedClassCount[0][0]
 
-
-# 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**。
@@ -68,13 +78,25 @@ def load_dataset(directory):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+    fileList = os.listdir(directory)
+    numberOfFiles = len(fileList)
+    m = numberOfFiles
+    n = 1024  # 假设每个图像是32x32的
+    dataSet = np.zeros((m, n))  # 存储特征数据
+    labels = []  # 存储标签
+    for i in range(m):
+        filename = fileList[i]
+        filePath = os.path.join(directory, filename)
+        vector = img_to_vector(filePath)
+        dataSet[i, :] = vector
+        # 假设文件名的格式是"label01.txt"，其中label是标签
+        label = int(filename.split('.')[0][1])
+        labels.append(label)
+    return dataSet, np.array(labels)
 
-
-# 这里还写自己的代码实现
 def img_to_vector(filename):
     """
     将二值图像转换为向量。
-    该部分应为 load_dataset 函数的辅助子函数，可单独在这里实现，也可直接集成至 load_dataset 函数中。
 
     Args:
     - filename (str): 图像文件路径。
@@ -82,12 +104,19 @@ def img_to_vector(filename):
     Returns:
     - np.array: 二值图像向量。
     """
-
+    returnVect = np.zeros((1, 1024))  # 假设图像是32x32的
+    with open(filename, 'r') as file:
+        lines = file.readlines()
+        index = 0
+        for line in lines:
+            for i in range(len(line)-1):
+                if line[i] == '1':
+                    returnVect[0, index] = 1
+                index += 1
+    return returnVect
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
     train_data, train_labels = load_dataset("trainingDigits")
-
     test_data = (
         "00000000000000110000000000000000"
         "00000000000011111000000000000000"
@@ -128,4 +157,4 @@ if __name__ == "__main__":
         train_labels,
     )
 
-    print(f"预测的标签: {predicted_label}")
+    print(f"预测的标签: {predicted_label}")
\ No newline at end of file