1.全局变量应尽量避免使用

2.局部比全局变量快

3.局部变量和全局变量一样是，系统自动使用局部变量

4.局部变量通过产生栈帧临时保存地址

5.在函数中用golbal声明，则局部变量变为全局变量

返回值

1.默认返回None

2.结束函数运行

printMax(a,b):

形参，在定义时使用

实参，在调用时会用

1.括号内是形参列表，有多个参数要用逗号隔开

2.形参不需要声明类型，也不需要指定函数返回值类型

3.无参数，也必须保留空的圆括号

4.实参列表必须与形参列表一一对应

import turtle

t=turtle.Pen()

t.circle(50)
t.penup()
t.goto(0,-50)
t.pendown()
t.circle(100)
t.penup()
t.goto(0,-100)
t.pendown()
t.circle(150)
turtle.done()

###  推导式创建序列

#### 列表推导式

[表达式 for item in 可迭代对象]

或者：{表达式 for item in 可迭代对象 if 条件判断}

也可以两个循环

```python

例子1：

y=[x*2 for x in range(1,50) if x%5==0]
print(y)

例子2：

cells=[(a,b) for a in range(1,10) for b in range(1,10)]
print(cells)

```

#### 字典推导式

{key_expression : value_expression for 表达式 in 可迭代对象}

```python

my_text="i love you,i love sxt,i love gaoqi"
char_count={c:my_text.count(c) for c in my_text}#count（）表示字符出现的次数
print(char_count)

```

#### 集合推导式

```python

b={x for x in range(1,100) if x%9==0}
print(b)

```

#### 生成器推导式

一个生成器只能运行一次，迭代第一次后，再迭代就没有数据了

```python

a=(x for x in range(4))
print(tuple(a))#tuple是生成元组的意思

```

用zip()并行迭代

### 循环代码的优化

原则：

1.尽量减少不必要的计算

2.尽可能把东西往循环外面放

3.尽量使用局部变量

```python

import time

start=time.time()
for i in range(3000):
    result=[]
    for m in range(10000):
        result.append(i*1000+m*100)
end=time.time()
print("耗时：{0}".format(end-start))


start2=time.time()
for i in range(3000):
    result=[]
    c=i*1000
    for m in range(10000):
        result.append(c+m*100)
end2=time.time()
print("耗时：{0}".format(end2-start2))

```

### 其他优化手段

1.连接多个字符，使用join（）而不使用+

2.列表进行元素插入和删除，尽量在列表尾部操作

3.zip（）

degree：默认为2，输入的整数越大，升入的维度越高

ordinal：会返回一列特征

什么是正则化路径？

不同a对应的特征向量的参数的取值所对应的矩阵

eps, n_alphas作用?帮助生成很小的a的取值

岭回归和LASSO的评估指标？岭回归是R2，LASSO是MSE

参数alpha_和alphas_？最佳a、自动生成的a

岭回归和LASSO计算交叉验证结果的区别？

ridge.cv_values_.mean(axis=0)#跨行求均值

lasso.mse_path_.mean(axis=1)#跨列求均值

为什么要用LASSO特征选择？LASSO对alpha敏感

如何画一条水平的虚线？

sklearn.linear_model.Ridge（岭回归：线性回归的基础上加上正则项，以处理多重共线性）

1）核心参数alpha：正则项系数，默认1，增大以消除多重共线性带来的影响，但过大会削弱模型本来已有的信息

2）通过调节alpha，模型的泛化能力可能上升。但现实生活中，很少有带有多重共线性的数据，使用岭回归和lasso模型表现一般会降低，

3）泛化能力没有直接衡量指标，只能通过R²和方差来大致判断（var()查看方差，方差反映真实值和预测值的差距）

岭回归解决多重共线性

矩阵的逆存在的条件：行列式不为0

MSE和MSA

2、衡量是否拟合了足够的信息：R²，越接近1越好

1) from sklearn.metrics import r2_score
r2_score(ytest,yhat)
2) reg.score(xtest,ytest)
3) cross_val_score(reg,x,y,cv=10,scoring="r2").mean()
R²为负说明模型拟合十分糟糕

如何用sklearn.metrics中的roc_curve函数计算 

y_true：真实标签

y_score：decision_function返回的距离or置信度分数or正类样本的概率

pos_label：填上1，表示1为正样本

返回FPR，recall和阈值

如何计算auc？

from sklearn.metrics import roc_auc_score
roc_auc_score(y,clf.decision_function(x))

ROC曲线上如何画x=y的直线？
plt.plot([0,1],[0,1],linestyle="--",c="black")

SVM实现概率预测：重要参数probabiity，接口decision_function

重要参数probabiity：布尔值，默认为False，是否启用概率估计，启用后可以调用predict_prob和predict_log_proba接口。该功能会减慢SVM运算速度

接口decision_function返回SVM的置信度（衡量样本有多大可能属于某一类）

对二维数据decision_function生成距离，是一维，表示每个点到决策边界的距离，predict_proba生成两列的概率，是二维

SVM实现概率预测