Python数据处理---二分类数据画图

分析abnormal_scores（list格式），normal_scores（list格式）
画出以下的图并进行分析

把两分类的点用柱状图的形式画出来，以便找到分类阈值

   #abnormal_scores的柱状图
    plt.hist(abnormal_scores, bins=50, facecolor='orangered', alpha=0.8, label="Abnormal", density=True)
    #normal_scores的柱状图
    plt.hist(normal_scores, bins=50, facecolor='cornflowerblue', alpha=0.8, label="Normal", density=True)
    plt.xlabel('Defect Score')
    plt.ylabel('Probability Density')
    plt.title('Distribution of Defect Score')
    plt.legend()
    plt.savefig(os.path.join(save_path, "Defect_score.png"))
    plt.close()

    # 保存原始缺陷分数
    scores_csv = {}
    scores_csv['scores'] = scores
    scores_csv['labels'] = labels
    csv = pd.DataFrame.from_dict(scores_csv)
    csv.to_csv(os.path.join(save_path, "scores.csv"))  # 存有缺陷分数的csv文件

    # 绘制ROC曲线
    fpr = dict()  # 伪阳性率
    tpr = dict()  # 真阳性率
    roc_auc = dict()  # AUC值
    fpr, tpr, _ = roc_curve(labels, scores)  # 计算FPR、TPR
    roc_auc = auc(fpr, tpr)  # 计算AUC值
    eer = brentq(lambda x: 1. - x - interp1d(fpr, tpr)(x), 0., 1.)  # Equal Error Rate
    # 绘制
    plt.figure()
    lw = 2
    plt.plot(fpr, tpr, color='darkorange', lw=lw, label='(AUC = %0.4f, EER = %0.4f)' % (roc_auc, eer))
    plt.plot([eer], [1-eer], marker='o', markersize=5, color="navy")
    plt.plot([0, 1], [1, 0], color='navy', lw=1, linestyle=':')
    plt.xlim([0.0, 1.0])
    plt.ylim([0.0, 1.05])
    plt.xlabel('False Positive Rate')
    plt.ylabel('True Positive Rate')
    plt.title('Receiver operating characteristic')
    plt.legend(loc="lower right")
    plt.savefig(os.path.join(save_path, "ROC.png"))
    plt.close()

    # 保存阈值相关信息
    normal_scores.sort(reverse=False)
    abnormal_scores.sort(reverse=False)

    threshold_5 = normal_scores[int(len(normal_scores) * 0.95)]
    threshold_10 = normal_scores[int(len(normal_scores) * 0.90)]
    threshold_20 = normal_scores[int(len(normal_scores) * 0.80)]
    threshold_25 = normal_scores[int(len(normal_scores) * 0.75)]