通过一个函数写出二分类问题Python代码

当然，我们可以使用Python的scikit-learn库来编写一个简单的二分类问题的代码示例。这里我们将使用逻辑回归模型进行演示。首先确保已经安装了所需的库，如果没有，请使用pip安装：

pip install scikit-learn numpy pandas

接下来，这是一个基础的二分类问题的Python代码：

from sklearn.model_selection import train_test_split 
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
import numpy as np
import pandas as pd

# 假设我们有一个数据集df，包含特征列X和目标变量y
# df = pd.read_csv('your_dataset.csv')  # 替换为实际的数据路径

# 提取特征和目标变量
X = df.drop('target_column', axis=1)  # 替换为实际的目标变量名
y = df['target_column'] 

# 数据预处理（标准化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 创建并训练逻辑回归模型
model = LogisticRegression(random_state=42)
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 计算性能指标（例如准确率、精确率、召回率等）
from sklearn.metrics import accuracy_score, classification_report
accuracy = accuracy_score(y_test, y_pred)
report = classification_report(y_test, y_pred)

print(f"Accuracy: {accuracy}")
print("Classification Report:\n", report)

在这个例子中，你需要替换`'your_dataset.csv'`为实际的数据文件路径，以及`'target_column'`为你想要预测的目标变量名称。运行这段代码后，你可以得到模型的准确性以及各类别的预测性能。

如果你有特定的数据集或想了解其他类型的分类算法，比如支持向量机(SVM)或决策树，请告诉我更多细节。