第二步

今天跟着一个课程看了李航的《统计学习方法》，主要看了朴素贝叶斯和逻辑回归的基础知识和相应代码，仅限于回顾一下自己在代码中学到的东西，说的很多地方一定有错误，望谅解，多指正。
因为不太会贴代码，代码地址是https://github.com/wzyonggege/statistical-learning-method。
学到的地方：
1、
df = pd.DataFrame(iris.data, columns=iris.feature_names)
data = np.array(df.iloc[:, :])
因为df是dataframe，只能按照标签索引，所以用df.iloc[:, :]取出所有数据转换成array，方便对data进行操作
2、
summaries = [(self.mean(i), self.stdev(i)) for i in zip(*train_data)] 
zip的作用是将对应位置的数据连接，经常用在连接特征和标签。*的作用是表示不清楚train_data的参数个数。代码中因为train_data是将数组通过append添加进train_data里面，则对于zip(*train_data)等于将每个数组的对应位置连接，当输入的数组是特征向量时，for i in zip(*train_data),i对应就是N个特征向量的第i个特征组成的。
3、
label = sorted(self.calculate_probabilities(X_test).items(), key=lambda x: x[-1])[-1][0]
sorted函数是排序函数，默认升序。key=lambda x: x[-1]，lambda表示匿名函数，代表的是一种运算，x: x[-1]表示输入x，输出x[-1]（我的理解是输入x，然后sort，然后输出sorted的x的最后值)；[-1][0]是因为self.calculate_probabilities的输出是字典，取出最后的字典的键