2.3 课后作业（二）

指导书要求如下：

1. 用 Python 实现 F1-score，并自己构建一个简易数据集进行测试。
2. 用 Python 中的 for 循环、列表推导式，分别实现计算：1+2+3+...+1000。
3. 随机生成一个五列十行的 Dataframe 的数据类型，行列索引自定义，绘制出对应的柱状图、散点图，以及在查询官网学习绘制一个课程未讲解（即除柱状图、饼图、散点图、箱线图以外的图形）的数据分析图形。

2.3.1 F1-score

指导书要求自己构建数据集计算 F1-score，于是考虑做如下模拟：

1. 随机生成一个 int 类型的数组，长度为 500，范围 $[0, 1000]$，假定 $[0, 500)$ 为反例，$[500, 1000]$ 为正例。
2. 现模拟一个二分类器，将 $[0, 300) \cup (800, 1000]$ 预测为反例，$[300, 800]$ 预测为正例。
3. 理论上此二分类器的 F1-score 应为 0.6。

代码如下：

def f1_score() -> float:
    """
    计算 F1-score。
    随机生成一个 int 类型的数组，长度为 500，范围 [0, 1000]，假定 [0, 500) 为反例，[500, 1000] 为正例。
    现模拟一个二分类器，将 [0, 300)U(800, 1000] 预测为反例，[300, 800] 预测为正例。
    理论上此二分类器的 F1-score 应为 0.6。
    :return: F1-score
    """
    dataset = numpy.random.randint(low=0, high=1001, size=500)
    logger.info(f"随机生成数据集：\n{dataset}")
    tp = len([x for x in dataset if 500 <= x <= 800])
    logger.info(f"真正例：{tp}")
    fp = len([x for x in dataset if 300 <= x < 500])
    logger.info(f"假正例：{fp}")
    tn = len([x for x in dataset if 0 <= x < 300])
    logger.info(f"真反例：{tn}")
    fn = len([x for x in dataset if 800 < x <= 1000])
    logger.info(f"假反例：{fn}")
    result = 2 * tp / (2 * tp + fp + fn)
    logger.info(f"F1-score：{result}")
    return result

2.3.2 求和

求和太简单了，略。

2.3.3 画图

指导书要求从官网上查一个指导书没讲过的图，并自己构建数据画出来。

官方文档链接：API Reference - pandas 0.23.1 documentation

官网展示了每个图的实例代码及其图例，这里不再赘述。