diff --git a/function.py b/function.py
index 8b980c6..90c7ab3 100644
--- a/function.py
+++ b/function.py
@@ -1,47 +1,13 @@
-# function.py
 import numpy as np
-
-"""
-挑战说明:
-- 自行编写实现 KNN 分类算法。
-- 函数输入: 待分类的样本 inX, 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:
-- 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。
-- 在 function.py 中实现 KNN 分类算法。
-- 自动评测脚本仅会加载 classify0 函数，请勿修改函数名。
-- 训练集在本目录下的 datingTrainSet2.tsv 中。
-- 评测数据集在本目录下的 datingTestSet2.tsv 中。
-
-挑战环境:
-- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
-- OS: Ubuntu 22.04.4 LTS
-- Python: 3.10.12
-- numpy: 2.1.1
-"""
-
+import os
 
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423103"
-name = "王坤"
+id = "202210423124"
+name = "刘子豪"
 
-
-"""
-参数说明:
-- 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**。
-返回值:
-- 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=3):
+def classify0(input_vector, dataSet, labels, k=3):
     """
     KNN 分类算法。
 
@@ -49,7 +15,7 @@ def classify(input_vector, dataSet, labels, k=3):
     - 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，请**自行设置默认值**。
 
     Returns:
     - int: 预测的分类标签。
@@ -68,62 +34,28 @@ def classify(input_vector, dataSet, labels, k=3):
 
     return predicted_label
 
-
-def load_dataset(directory):
+def load_data(file_path):
     """
-    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**。
+    从 TSV 文件中加载数据集。
 
     Args:
-    - directory (str): 数据文件夹路径。
+    - file_path (str): TSV 文件路径。
 
     Returns:
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
-    # 获取目录下所有文件名
-    file_list = os.listdir(directory)
-
-    # 初始化数据集矩阵和标签列表
-    num_files = len(file_list)
-    data_set = np.zeros((num_files, 1024))  # 每个样本是1024维的向量
-    labels = []
-
-    # 逐个文件处理
-    for i, file_name in enumerate(file_list):
-        # 提取标签，假设文件名格式为 '数字_XXX.txt'
-        label = int(file_name.split('_')[0])
-        labels.append(label)
-
-        # 将图像文件转换为向量并存入数据集
-        data_set[i, :] = img_to_vector(os.path.join(directory, file_name))
-
-    return data_set, np.array(labels)
-
-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。
-
-    Returns:
-    - np.array: 二值图像向量。
-    """
-    # 初始化一个1024维的向量
-    vector = np.zeros(1024)
-    with open(filename, 'r') as f:
-        for row in range(32):
-            line = f.readline()
-            for col in range(32):
-                vector[row * 32 + col] = int(line[col])  # 将每行的字符转换为整数并存储
-    return vector
+    data = np.loadtxt(file_path, delimiter='\t')
+    data_set = data[:, :-1]  # 假设最后一列是标签
+    labels = data[:, -1].astype(int)
+    return data_set, labels
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改
-
     train_file = "datingTrainSet2.tsv"
+    train_data, train_labels = load_data(train_file)
 
-    train_data, train_labels = load_dataset(train_file)
-
-    print(classify([65915, 3.868359, 0.128078], train_data, train_labels))
+    # 示例测试样本，确保维度与训练数据一致
+    test_sample = np.array([65915, 3.868359, 0.128078])
+    prediction = classify0(test_sample, train_data, train_labels)
+    print(f"预测的分类标签: {prediction}")、
\ No newline at end of file