学习文档接触到的知识VER

看一个文档，很多不知道的知识，感谢网上有这么多丰富的知识，帮我解答。互联网真是一个好东西

 1、import matplotlib.pyplot as plt    #Matplotlib是Python中最常用的可视化工具之一
查阅的知识： #导入pyplot，文档里面的例子通常将其别名为plt
import matplotlib.pyplot as plt
#创建一幅图
plt.figure()
#画出曲线
plt.plot(x,y)
#显示
plt.show()
文档中的应用：
        plt.figure()    #plt，python的可视化工具，函数设计上参考MATLAB。
        plt.plot(fprs, tprs, label='ROC curve (AUC = %0.2f)' % auc)
        plt.plot([0, 1], [0, 1], color='navy', linestyle='--')
        plt.xlim([-0.01, 1.0])   #X轴上下限设定
        plt.xlabel('False Positive (fp)') ##横X坐标标题为： 'False Positive Rate (fp)'
        plt.title('12')
        plt.legend(loc="lower right")  #图片的显示位置  

2、from sklearn.metrics import roc_curve,average_precision_score
查阅的知识:  
sklearn.metric提供了一些函数，用来计算真实值与预测值之间的预测误差： 以_score结尾的函数，返回一个最大值，越高越好
#average_precision_score计算平均精度    precision = TP / (TP + FP)  
precision_recall_curve会根据预测值和真实值来计算一条precision-recall典线。
average_precision_score则会预测值的平均准确率（AP: average precision）。该分值对应于precision-recall曲线下的面积。
sklearn提供了一些函数来分析precision, recall and F-measures值：
average_precision_score：计算预测值的AP
#roc_curve计算roc曲线，属性有fpr，tpr，阈值。
roc_curve计算了ROC曲线。
该函数需要二分类的真实值和预测值，它可以是正例的概率估计，置信值，或二分决策值。roc_auc_score函数计算了ROC曲线下面的面积，它也被称为AUC或AUROC。通过计算下面的面积，曲线信息被归一化到1内。
文档中的应用：
fprs,tprs,threshs=roc_curve(gt,scores,pos_label=1)
ap=average_precision_score(gt,scores) 

3、 gt=np.loadtxt(gt_name)   #np.loadtxt读取图片序列数组
查阅的知识：
numpy读取文本文件Text files
loadtxt(fname[, dtype, comments, delimiter, ...]) Load data from a text file.
savetxt(fname, X[, fmt, delimiter, newline, ...]) Save an array to a text file.
genfromtxt(fname[, dtype, comments, ...]) Load data from a text file, with missing values handled as specified.
fromregex(file, regexp, dtype)          Construct an array from a text file, using regular expression parsing.
fromstring(string[, dtype, count, sep]) A new 1-D array initialized from raw binary or text data in a string.
ndarray.tofile(fid[, sep, format])     Write array to a file as text or binary (default).
ndarray.tolist()               Return the array as a (possibly nested) list.

4、 scores=np.zeros(num_pairs)
查阅的知识：
用法：zeros(shape, dtype=float, order='C')
返回：返回来一个给定形状和类型的用0填充的数组；
参数：shape:形状
            dtype:数据类型，可选参数，默认numpy.float64
np.zeros(5)
array([ 0.,  0.,  0.,  0.,  0.])

5、 right=np.sum(pred==gt)     |||||||||||依旧不懂什么意思
查阅的知识：
>>> a=np.sum([[0,1,2],[2,1,3]],axis=1)  
>>> a  
array([3, 6])  
>>> a.shape  
(2,)  

6、np.logical_and(pred,gt)    
查阅的知识：
 #Python 中的布尔运算使用and、or 和not ，以“logical_”开头，np.logical_and， np.logical_not， np.logical_or， np.logical_xor

7、gt=np.array(gt).astype(np.bool)     ？不确定
查阅的知识：
#bool布尔型，取值False或True     .astype实现变量类型转换  将gt转换为布尔值

8、pred=scores>thres      #如果scores> thres ，那么pred为True 

9、for thresh in np.linspace(1e-7,0.6,3000):    #np.linspace 生成等间隔数列，在（1e-7,0.6）之间有3000份

10、sortedFprs.append(1.0)   #在原有列表上追加一个新元素
        
11、sortedFprs, sortedTprs = zip(*sorted(zip(*(fprs, tprs))))  #压缩后排序，即将两个一维数组压缩成一个二维数组
查阅的知识：
x = [1, 2, 3]
y = [4, 5, 6]
z = [7, 8, 9]
xyz = zip(x, y, z)
print xyz
运行的结果：[(1, 4, 7), (2, 5, 8), (3, 6, 9)]
x = [1, 2, 3]
y = [4, 5, 6]
z = [7, 8, 9]
xyz = zip(x, y, z)
u = zip(*xyz)
print u
运行的结果是：
[(1, 2, 3), (4, 5, 6), (7, 8, 9)]
一般认为这是一个unzip的过程，它的运行机制是这样的：
在运行zip(*xyz)之前，xyz的值是：[(1, 4, 7), (2, 5, 8), (3, 6, 9)]
那么，zip(*xyz) 等价于 zip((1, 4, 7), (2, 5, 8), (3, 6, 9))
所以，运行结果是：[(1, 2, 3), (4, 5, 6), (7, 8, 9)]

12、 index=np.array(a).argmax()         #numpy.argmax(a, axis=None, out=None) 返回沿轴axis最大值的索引。！！！！！索引
查阅的知识：
>>> a = np.arange(6).reshape(2,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5]])
>>> np.argmax(a)
5
>>> np.argmax(a, axis=0)#0代表列
array([1, 1, 1])
>>> np.argmax(a, axis=1)#1代表行    ？？？？看不懂
array([2, 2])
>>>
>>> b = np.arange(6)
>>> b[1] = 5
>>> b
array([0, 5, 2, 3, 4, 5])
>>> np.argmax(b) # 只返回第一次出现的最大值的索引
1