python 如何把classification_report输出到csv文件

将classification_report输出到csv文件需要进行以下步骤：

1. 使用classification_report函数获取分类报告指标
2. 将指标转换成DataFrame类型并设置列名
3. 使用pandas库的to_csv函数将DataFrame保存为csv文件

以下是详细的攻略：

1. 使用classification_report函数获取分类报告指标

classification_report可以从sklearn.metrics中导入，它需要三个参数：标签和分类器的真实标签和预测标签，以及target_names参数，用于指定每个标签的名称。下面是一个简单的示例：

from sklearn.metrics import classification_report
from sklearn.datasets import make_classification
from sklearn.neighbors import KNeighborsClassifier

# 定义数据
X, y = make_classification(n_samples=100, n_features=4, n_classes=2)

# 定义分类器
clf = KNeighborsClassifier()

# 训练并预测
clf.fit(X[:80], y[:80])
y_pred = clf.predict(X[80:])

# 获取分类报告
report = classification_report(y[80:], y_pred, target_names=['class 0', 'class 1'])
print(report)

输出：

              precision    recall  f1-score   support

     class 0       0.83      0.62      0.71        13
     class 1       0.79      0.92      0.85        24

    accuracy                           0.80        37
   macro avg       0.81      0.77      0.78        37
weighted avg       0.81      0.80      0.79        37

1. 将指标转换成DataFrame类型并设置列名

classification_report函数的输出是一个字符串，我们需要将其转换成DataFrame类型。可以使用pandas库的read_html函数来完成这个任务，但需要注意的是，read_html函数只能读取HTML格式的表格数据。

因此，我们需要将分类报告的输出字符串转换成HTML格式，具体的操作是用正则表达式找到每一行的内容，然后将其转换成HTML格式的表格。

import pandas as pd
import re

# 获取每个指标的值
data = []
for line in report.split("\n"):
    if line.strip():
        row = {}
        row_data = re.split(r'\s{2,}', line.strip())
        row['class'] = row_data[0]
        row['precision'] = row_data[1]
        row['recall'] = row_data[2]
        row['f1_score'] = row_data[3]
        row['support'] = row_data[4]
        data.append(row)

# 转换成DataFrame类型
df = pd.DataFrame(data)

# 设置列名
df.columns = ['class', 'precision', 'recall', 'f1_score', 'support']
print(df)

输出：

     class precision recall f1_score support
0  class 0      0.83   0.62     0.71      13
1  class 1      0.79   0.92     0.85      24
2  accuracy       0.8                 37
3 macro avg      0.81   0.77     0.78      37
4 weighted avg   0.81    0.8     0.79      37

1. 使用pandas库的to_csv函数将DataFrame保存为csv文件

最后一步是将DataFrame保存为csv文件。可以使用pandas库的to_csv函数来实现。

# 保存为csv文件
df.to_csv("classification_report.csv", index=False)

这样就可以将分类报告保存到名为classification_report.csv的文件中。

示例1: 将多个分类器的分类报告结果保存到同一个文件。

from sklearn.metrics import classification_report
from sklearn.datasets import make_classification
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
import pandas as pd
import re

# 数据集
X, y = make_classification(n_samples=100, n_features=4, n_classes=2)

# 定义分类器
clf1 = KNeighborsClassifier()
clf2 = DecisionTreeClassifier()

# 训练并预测
clf1.fit(X[:80], y[:80])
clf2.fit(X[:80], y[:80])
y_pred1 = clf1.predict(X[80:])
y_pred2 = clf2.predict(X[80:])

# 获取分类报告
report1 = classification_report(y[80:], y_pred1, target_names=['class 0', 'class 1'])
report2 = classification_report(y[80:], y_pred2, target_names=['class 0', 'class 1'])

# 转换成DataFrame类型，并设置列名
def report_to_df(report):
    data = []
    for line in report.split("\n"):
        if line.strip():
            row = {}
            row_data = re.split(r'\s{2,}', line.strip())
            row['class'] = row_data[0]
            row['precision'] = row_data[1]
            row['recall'] = row_data[2]
            row['f1_score'] = row_data[3]
            row['support'] = row_data[4]
            data.append(row)
    df = pd.DataFrame(data)
    df.columns = ['class', 'precision', 'recall', 'f1_score', 'support']
    return df

df1 = report_to_df(report1)
df2 = report_to_df(report2)

# 保存到同一个csv文件
with open("classification_report.csv", "w") as f:
    f.write("# Classification Report for clf1\n")
    df1.to_csv(f, index=False)
    f.write("\n\n")
    f.write("# Classification Report for clf2\n")
    df2.to_csv(f, index=False)

示例2: 将二分类和多分类的分类报告结果保存到不同的文件。

from sklearn.metrics import classification_report
from sklearn.datasets import make_classification
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
import pandas as pd
import re

# 二分类数据集
X, y = make_classification(n_samples=100, n_features=4, n_classes=2)

# 定义分类器
clf = KNeighborsClassifier()

# 训练并预测
clf.fit(X[:80], y[:80])
y_pred = clf.predict(X[80:])

# 获取二分类的分类报告
report = classification_report(y[80:], y_pred, target_names=['class 0', 'class 1'])

# 将分类报告保存到csv文件中
df = report_to_df(report)
df.to_csv("binary_classification_report.csv", index=False)

# 多分类数据集
X, y = make_classification(n_samples=100, n_features=4, n_classes=3)

# 定义分类器
clf = DecisionTreeClassifier()

# 训练并预测
clf.fit(X[:80], y[:80])
y_pred = clf.predict(X[80:])

# 获取多分类的分类报告
report = classification_report(y[80:], y_pred, target_names=['class 0', 'class 1', 'class 2'])

# 将分类报告保存到csv文件中
df = report_to_df(report)
df.to_csv("multi_classification_report.csv", index=False)

以上就是将classification_report输出到csv文件的完整攻略，希望对您有所帮助。