diff --git a/function.py b/function.py
index 6913a9f..87e4d73 100644
--- a/function.py
+++ b/function.py
@@ -41,83 +41,63 @@ name = "李劲"
 """
 
   
-def classify(input_vector, dataSet, labels, k=3):  # 设置 k 的默认值为 3  
-    """  
-    KNN 分类算法，使用马氏距离。  
-  
-    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，选择距离最小的 k 个样本进行投票。  
-  
-    Returns:  
-    - int: 预测的分类标签。  
-    """  
-    # 计算训练数据集的均值向量  
-    mean_vec = np.mean(dataSet, axis=0)  
-      
-    # 计算训练数据集的协方差矩阵  
-    cov_mat = np.cov(dataSet, rowvar=False)  
-      
-    # 计算输入样本到所有训练样本的马氏距离  
-    # 注意：mahalanobis 函数要求输入二维数组，因此需要对 input_vector 进行 reshape  
-    # 同时，dataSet 也需要是二维数组，如果它是三维的（例如有多个特征图），则需要先展平  
-    inv_covmat = np.linalg.inv(cov_mat)  # 计算协方差矩阵的逆  
-    distances = []  
-    for row in dataSet:  
-        dist = mahalanobis(input_vector.reshape(1, -1), row.reshape(1, -1), inv_covmat)  
-        distances.append(dist)  
-      
-    # 选择距离最小的 k 个样本的索引  
-    k_indices = np.argsort(distances)[:k]  
-      
-    # 选择这些样本对应的标签  
-    k_nearest_labels = [labels[i] for i in k_indices]  
-      
-    # 返回出现次数最多的标签  
-    from collections import Counter  
-    most_common = Counter(k_nearest_labels).most_common(1)  
-    return most_common[0][0]  
-  
-def load_dataset(directory):  
-    """  
-    从文件夹中加载数据，并返回特征数据和标签数据。  
-    这里假设文件夹中的每个文件都是一个二值图像，文件名包含了标签信息。  
-  
-    Args:  
-    - directory (str): 数据文件夹路径。  
-  
-    Returns:  
-    - np.array: 特征数据。  
-    - np.array: 标签数据。  
-    """  
-    data = []  
-    labels = []  
-    for filename in os.listdir(directory):  
-        if filename.endswith(".txt"):  # 假设图像数据以文本形式存储，且文件名包含标签  
-            label = int(filename.split('_')[0])  # 从文件名中提取标签，这里假设文件名格式为 "label_xxx.txt"  
-            img_vector = img_to_vector(os.path.join(directory, filename))  
-            data.append(img_vector)  
-            labels.append(label)  
-    return np.array(data), np.array(labels)  
-  
-def img_to_vector(filename):  
-    """  
-    将二值图像（以文本形式存储）转换为向量。  
-    这里假设图像数据是以空格分隔的 0 和 1 组成的字符串。  
-  
-    Args:  
-    - filename (str): 图像文件路径。  
-  
-    Returns:  
-    - np.array: 二值图像向量。  
-    """  
-    with open(filename, 'r') as f:  
-        img_str = f.read().strip()  
-    img_vector = np.array([int(char) for char in img_str]).reshape(1, -1)  
-    return img_vector.flatten()  # 展平为一维向量 
+python
+复制代码
+	def classify(input_vector, dataSet, labels, k=3):  
 
+	    cov_matrix = np.cov(dataSet, rowvar=False)  
+
+	    inv_cov_matrix = np.linalg.inv(cov_matrix)  
+
+	    diffMat = dataSet - input_vector  
+
+	    left_term = np.dot(diffMat, inv_cov_matrix)  
+
+	    mahalanobis_distances = np.sqrt(np.sum(left_term * diffMat, axis=1))  
+
+	    k_indices = np.argsort(mahalanobis_distances)[:k]  
+
+	    k_nearest_labels = [labels[i] for i in k_indices]  
+
+	    most_common = max(set(k_nearest_labels), key=k_nearest_labels.count)  
+
+	    return most_common
+  
+python
+复制代码
+	def load_dataset(directory):  
+
+	    features = []  
+
+	    labels = []  
+
+	    for filename in os.listdir(directory):  
+
+	        if filename.endswith(".txt"):  
+
+	            filepath = os.path.join(directory, filename)  
+
+	            label = int(filename.split('_')[0])  
+
+	            image_vector = img_to_vector(filepath)  
+
+	            features.append(image_vector)  
+
+	            labels.append(label)  
+
+	    return np.array(features), np.array(labels) 
+  
+python
+复制代码
+	def img_to_vector(filename):  
+
+	    with open(filename) as file:  
+
+	        lines = file.readlines()  
+
+	        image_vector = np.array([int(char) for line in lines for char in line.strip()])  
+
+	    return image_vector
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改