自定义一个函数，输入参数包括两个，一个为某个属性的所有属性值，另一个为属性值对应的标签，两个参数都为list类型；要求返回两个变量，变量1为最优划分中位点，另一个为最优划分中位点对应的最大信息增益。

在Python中，你可以创建一个名为`find_optimal_cut`的函数，用于解决这个问题。这个函数通常会涉及到一些数据挖掘或机器学习中的决策树算法，特别是ID3（Information Gain in Decision Trees）或C4.5算法。下面是一个简化版的伪代码示例：

def find_optimal_cut(attribute_values, labels):
    def calculate_entropy(labels):
        # 计算给定标签列表的熵
        entropy = 0.0
        unique_labels = set(labels)
        for label in unique_labels:
            freq = labels.count(label) / len(labels)
            entropy -= freq * math.log2(freq)
        return entropy

    def information_gain(left, right, current_attribute):
        # 计算分割属性的信息增益
        parent_entropy = calculate_entropy(labels)
        left_entropy = calculate_entropy(left)
        right_entropy = calculate_entropy(right)
        gain = parent_entropy - (left_entropy * len(left) + right_entropy * len(right)) / len(labels)
        return gain

    best_cut = None
    max_info_gain = float('-inf')
    
    for i in range(len(attribute_values[0])):
        # 对每个属性值，计算信息增益
        cut_value = attribute_values[0][i]  # 假设这里是数值型属性
        left_values = [val for val, lab in zip(attribute_values, labels) if val <= cut_value]
        right_values = [val for val, lab in zip(attribute_values, labels) if val > cut_value]

        info_gain = information_gain(left_values, right_values, current_attribute)
        
        if info_gain > max_info_gain:
            max_info_gain = info_gain
            best_cut = (cut_value, i)

    return best_cut, max_info_gain

# 使用方法：
# attribute_values 示例：[['age', 'income'], [20, 50000], [30, 60000], [40, 70000]]
# labels 示例： ['high', 'low', 'high', 'low']
best_cut, max_info_gain = find_optimal_cut(attribute_values, labels)