解决不平衡二元分类问题的最佳阈值的方法有很多种，下面是其中一种常见的方法，包括代码示例：

1. 导入必要的库和模块：

import numpy as np
import pandas as pd
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import train_test_split

2. 加载数据集并划分训练集和测试集：

data = pd.read_csv('data.csv')  # 假设数据集存储在data.csv文件中
X = data.iloc[:, :-1]  # 特征列
y = data.iloc[:, -1]  # 标签列

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. 训练分类模型，并预测概率：

# 假设使用逻辑回归模型
from sklearn.linear_model import LogisticRegression

model = LogisticRegression()
model.fit(X_train, y_train)

y_pred_prob = model.predict_proba(X_test)[:, 1]  # 预测样本属于正类的概率

4. 根据不同的阈值计算真正率（True Positive Rate，TPR）和假正率（False Positive Rate，FPR）：

fpr, tpr, thresholds = roc_curve(y_test, y_pred_prob)

5. 计算不同阈值下的AUC值，并选择最佳阈值：

roc_auc = auc(fpr, tpr)
best_threshold = thresholds[np.argmax(tpr - fpr)]

6. 输出最佳阈值：

print("最佳阈值为:", best_threshold)

通过以上步骤，可以得到不平衡二元分类问题的最佳阈值。请注意，这只是其中一种解决方法，还有其他的方法可以应用于不同的情况。