diff --git a/function.py b/function.py
index b1f8c16..4468a18 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 = "202210423215"
+name = "章程鸿·"
 
 
 """
@@ -41,48 +41,82 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify(input_vector, dataSet, labels, k=0):
-    """
-    KNN 分类算法。
-
-    Args:
-    - 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**。
-
-    Returns:
-    - int: 预测的分类标签。
-    """
-
-
-# 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**。
-
-    Args:
-    - directory (str): 数据文件夹路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-
-
-# 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。
-
-    Returns:
-    - np.array: 二值图像向量。
-    """
-
+import numpy as np  
+import os  
+from collections import Counter  
+from scipy.spatial import distance  
+  
+# 这里写自己的代码实现  
+def classify(input_vector, dataSet, labels, k=3):  # 默认 k 值设为 3  
+    """  
+    KNN 分类算法。  
+  
+    Args:  
+    - 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，默认值为 3。  
+  
+    Returns:  
+    - int: 预测的分类标签。  
+    """  
+    # 计算输入样本与训练样本之间的欧氏距离  
+    distances = distance.cdist(dataSet, input_vector, 'euclidean').flatten()  
+      
+    # 获取距离最近的 k 个训练样本的索引  
+    k_indices = np.argsort(distances)[:k]  
+      
+    # 获取这些样本的标签  
+    k_nearest_labels = [labels[i] for i in k_indices]  
+      
+    # 返回出现最多的标签  
+    most_common = Counter(k_nearest_labels).most_common(1)  
+    return most_common[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，并转换为特征向量和标签。  
+  
+    Args:  
+    - directory (str): 数据文件夹路径。  
+  
+    Returns:  
+    - np.array: 特征数据。  
+    - np.array: 标签数据。  
+    """  
+    hw_labels = []  
+    training_files = os.listdir(directory)  
+    m = len(training_files)  
+      
+    # 初始化特征数据矩阵  
+    training_data = np.zeros((m, 1024))  
+      
+    for i in range(m):  
+        file_name_str = training_files[i]  
+        file_str = file_name_str.split('.')[0]  # 去掉文件扩展名  
+        class_num_str = int(file_str.split('_')[0])  # 提取标签  
+        hw_labels.append(class_num_str)  
+          
+        # 调用 img_to_vector 函数将图像转换为向量  
+        training_data[i, :] = img_to_vector(os.path.join(directory, file_name_str))  
+      
+    return training_data, np.array(hw_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。  
+  
+    Args:  
+    - filename (str): 图像文件路径。  
+  
+    Returns:  
+    - np.array: 二值图像向量。  
+    """  
+    # 打开文件并读取图像数据  
+    with open(filename, 'r') as f:  
+        return np.array([[int(char) for char in line] for line in f.readlines()]).flatten()  
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改