diff --git a/function.py b/function.py
index 7e4a279..c2f90ea 100644
--- a/function.py
+++ b/function.py
@@ -28,9 +28,42 @@ name = "章程鸿"
 
 
 # 这里写自己的代码实现
+import numpy as np
 from sklearn.svm import SVC
 from sklearn.preprocessing import StandardScaler
-import numpy as np
+
+def load_data(filepath):
+    """
+    从文件中加载数据，并进行必要的预处理，处理缺失值。
+    
+    Args:
+    - filepath (str): 数据文件路径。
+    
+    Returns:
+    - X (numpy array): 特征数据。
+    - y (numpy array): 标签数据。
+    """
+    # 加载数据，假设分隔符是空格或者制表符
+    data = np.genfromtxt(filepath, delimiter=' ', dtype=str)
+    
+    # 处理缺失值，将 '?' 替换为 np.nan
+    data[data == '?'] = np.nan
+    
+    # 将非数值字段转为浮动类型
+    data = data.astype(np.float64)
+
+    # 选择特征和标签
+    X = data[:, :-1]  # 特征数据（假设最后一列是目标变量）
+    y = data[:, 23]   # 特征23作为目标变量
+    
+    # 转换目标变量为 1 (lived), 2 (died), 3 (euthanized)
+    y = np.where(y == 2, 0, y)  # 2 -> 0 (died -> death)
+    y = np.where(y == 3, 0, y)  # 3 -> 0 (euthanized -> death)
+
+    # 将缺失值填充为 0（或其他合适的值）
+    X = np.nan_to_num(X, nan=0)
+    
+    return X, y
 
 def train_svm(X, y):
     """
@@ -42,6 +75,7 @@ def train_svm(X, y):
     
     Returns:
     - model (SVC): 训练得到的 SVM 模型。
+    - scaler (StandardScaler): 用于后续预测的数据标准化器。
     """
     # 数据标准化
     scaler = StandardScaler()
@@ -89,4 +123,3 @@ if __name__ == "__main__":
     
     accuracy = correct / len(X_test) * 100
     print(f"测试集准确率: {accuracy}%")
-