讲师中心 微信公众号

工具推荐

视频效率加速
updream

一键生成高质量推广成片

立刻MV
立刻MV

低成本歌曲 MV、视频生成

Laper
Laper

剧本策划到成片协作

AniShort
AniShort

AI短剧协同制作平台

如何为分类评估指标 DataFrame 添加按 Metric 分组的列均值行

落明同学_8362

落明同学_8362

发布时间:2026-11-16 18:59:06

|

937人浏览过

|

来源于php中文网

原创

如何为分类评估指标 DataFrame 添加按 Metric 分组的列均值行

本文介绍如何使用 pandas 的 groupby + mean 方法,为包含多组评估指标(precision/recall/f1-score)的 DataFrame 高效添加每类指标在 _BETTER、_SAME、_WORSE 三列上的平均值行,并统一标记为 All 数据集与 _avg 后缀指标名。

本文介绍如何使用 pandas 的 groupby + mean 方法,为包含多组评估指标(precision/recall/f1-score)的 dataframe 高效添加每类指标在 `_better`、`_same`、`_worse` 三列上的平均值行,并统一标记为 `all` 数据集与 `_avg` 后缀指标名。

在机器学习模型评估中,常需汇总不同数据集(如 Train/Val/Test)上同一评估指标(如 precision、recall、f1-score)在多个维度(如 _BETTER/_SAME/_WORSE)的表现,并计算其跨数据集的平均值,以形成更稳健的总体参考。手动切分子集再逐列求平均不仅冗长易错,还难以维护。推荐采用 pandas.DataFrame.groupby(..., sort=False).mean() 一站式完成:先按 Metric 列分组(保持原始顺序),对数值列 _BETTER、_SAME、_WORSE 执行均值聚合,再构造新行并拼接回原表。

以下为完整实现步骤(含可直接运行的示例):

import pandas as pd
import io

# 构造示例数据(注意列名与空格对齐)
text = """_BETTER     _SAME    _WORSE   ___dataset     Metric
0.373802  0.816794  0.568783      Train      precision
0.391304  0.865229  0.519324      Train      recall
0.382353  0.840314  0.542929      Train      f1-score
0.500000  1.000000  0.583333        Val      precision
0.333333  1.000000  0.736842        Val      recall
0.400000  1.000000  0.651163        Val      f1-score
0.000000  0.000000  0.666667       Test      precision
0.000000  0.000000  0.500000       Test      recall
0.000000  0.000000  0.571429       Test      f1-score
"""

df = pd.read_csv(io.StringIO(text), sep=r'\s+')

# ✅ 关键步骤:按 Metric 分组求均值(sort=False 保持原始顺序,如 f1-score 在最后)
grouped_means = df.groupby('Metric', sort=False)[['_BETTER', '_SAME', '_WORSE']].mean()

# 添加新列:___dataset = 'All'
grouped_means['___dataset'] = 'All'

# 修改索引:为每个 Metric 添加 '_avg' 后缀(如 'precision' → 'precision_avg')
grouped_means.index = grouped_means.index + '_avg'

# 重置索引,使 Metric 成为普通列
avg_rows = grouped_means.reset_index()

# 拼接原表与均值行,重置最终索引
df_with_avg = pd.concat([df, avg_rows], ignore_index=True)

print(df_with_avg)

输出效果节选:

     _BETTER     _SAME    _WORSE ___dataset         Metric
0   0.373802  0.816794  0.568783      Train      precision
1   0.391304  0.865229  0.519324      Train         recall
2   0.382353  0.840314  0.542929      Train       f1-score
... 
9   0.291267  0.605598  0.606261        All  precision_avg
10  0.241546  0.621743  0.585389        All     recall_avg
11  0.260784  0.613438  0.588507        All   f1-score_avg

注意事项:

  • 必须显式指定 sort=False,否则 groupby 默认按字典序排序(f1-score 会排在 precision 前),破坏指标逻辑顺序;
  • 聚合时应明确传入列名列表 [['_BETTER', '_SAME', '_WORSE']],避免非数值列(如 ___dataset)干扰或触发警告;
  • 若原始数据中存在缺失值(NaN),mean() 默认跳过,如需控制行为,可加参数 skipna=False;
  • 最终 pd.concat(..., ignore_index=True) 确保索引连续且无重复,便于后续索引操作。

该方法简洁、可扩展性强——若新增 accuracy 指标,仅需在原始数据中添加对应行,无需修改聚合逻辑。

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

热门AI工具

更多
UP简历
UP简历 Hot

一款AI办公效率工具,主要用于基于AI技术的免费在线简历制作工具,适合需要提升相关任务效率的用户。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

火山引擎

火山引擎是一款面向企业的云计算与AI服务平台。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

超级麦吉

一款通过数字员工协作完成调研、数据分析与文档制作的AI办公平台。

Loomy
Loomy Hot

一款AI工具,主要用于科大讯飞发布的桌面级 AI 助理,比 OpenClaw 更易用、更安全!,适合需要提升相关任务效率的用户。

花生AI
花生AI Hot

一款AI视频创作工具,主要用于B站推出的AI视频创作工具,适合需要提升相关任务效率的用户。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

PixTV
PixTV Hot

PixTV是一款面向AIGC内容创作的AI视频生成工具。

相关专题

更多
Python 机器学习入门与 Scikit-Learn 实战
Python 机器学习入门与 Scikit-Learn 实战

面向机器学习初学者,以 Scikit-Learn 为核心工具,讲解机器学习基本概念(监督学习/无监督学习/模型评估)、数据预处理(标准化/归一化/缺失值填充/特征编码)、常用分类算法(逻辑回归/决策树/随机森林/SVM/KNN)、回归算法(线性回归/岭回归/Lasso)、无监督聚类(K-Means/DBSCAN)、交叉验证与超参数调优(GridSearch/RandomSearch)、混淆矩阵与 ROC/AUC 模型评估指标,帮助开发者

415

2026.04.24

Python 时间序列分析与预测
Python 时间序列分析与预测

本专题专注讲解 Python 在时间序列数据处理与预测建模中的实战技巧,涵盖时间索引处理、周期性与趋势分解、平稳性检测、ARIMA/SARIMA 模型构建、预测误差评估,以及基于实际业务场景的时间序列项目实操,帮助学习者掌握从数据预处理到模型预测的完整时序分析能力。

360

2025.12.04

Python 数据清洗与预处理实战
Python 数据清洗与预处理实战

本专题系统讲解 Python 在数据清洗与预处理中的核心技术,包括使用 Pandas 进行缺失值处理、异常值检测、数据格式化、特征工程与数据转换,结合 NumPy 高效处理大规模数据。通过实战案例,帮助学习者掌握 如何处理混乱、不完整数据,为后续数据分析与机器学习模型训练打下坚实基础。

292

2026.01.31

Python数据分析与Pandas高级实战
Python数据分析与Pandas高级实战

本专题围绕 Python 数据分析展开,系统讲解 Pandas 的高级用法,包括数据清洗、透视表、时间序列分析以及多表合并与分组操作。通过实战案例,帮助开发者掌握高效处理与分析数据的方法,提高数据处理效率与分析能力。

991

2026.04.13

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

140

2026.11.12

Go-Zero安装与goctl环境配置教程
Go-Zero安装与goctl环境配置教程

本专题围绕Go-Zero的安装与工具链配置展开,讲清Go版本要求、goctl安装方式、代理镜像、protoc依赖与环境变量设置,说明多版本共存、升级回退与CI流水线安装的做法,并整理安装阶段的常见报错与验证步骤。

100

2026.11.12

Go-Zero零基础入门教程
Go-Zero零基础入门教程

本专题整理Go-Zero的入门知识,从框架定位、环境准备到跑通第一个API服务,讲清目录分层、配置加载、日志与中间件的基本用法,并对比Gin、Kratos的差异,帮助Go开发者建立整体认知,判断它是否适合当前项目。

60

2026.11.12

Postman身份认证怎么配置
Postman身份认证怎么配置

本专题从实际API接口调试场景出发,讲解Postman身份认证的完整配置流程,包括常见认证协议介绍、授权参数设置、访问令牌填写、OAuth 2.0授权及认证失败排查,帮助用户正确完成接口授权与访问验证。

160

2026.11.06

Postman请求头Headers怎么设置
Postman请求头Headers怎么设置

围绕Postman HTTP请求头配置展开,讲解Headers选项的具体使用方式,包括Key和Value参数填写、请求头信息添加、常见Header字段设置及请求头修改方法,帮助用户解决接口调试过程中遇到的请求头配置问题。

140

2026.11.06

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn