使用字符串数据框在Python中绘制混淆矩阵

我正在做一个10倍的验证，我需要看看每个类的准确性是如何变化的。我成功地创建了如下数据帧：

片段：

chars=[]
对于范围（0，int（类）+1）内的i：
行=[]
对于范围（0，int（类）+1）内的j：
追加（str（round（表示[i，j]，3]）+“+/-”+str（round（stds[i，j]，3）））
附加字符（行）
con\u mat\u df=pd.DataFrame（字符，索引=类列表，列=类列表）

现在，我只想能够像下面的例子那样绘制它。我想知道怎么做。如果我使用

sns.heatmap

它将抛出一个错误（

TypeError:ufunc'isnan'不支持输入类型…

）。有什么想法吗？谢谢

---

所以我找到的最简单的方法是（cm是平均值数组，cms是标准偏差数组）：

---

Seaborn heatmap需要绘制数字，但您有字符串。我知道，这就是为什么我说我不能使用heatmap，因为它会抛出错误。我特意创建了一个字符串数组（实际上是一个数据帧），我想知道如何打印它，如图所示。使用数字绘制热图（使用

seaborn.heatmap

，或

ax.imshow

）；然后把文本标签放在你喜欢的上面；示例如所示，但我需要包括标准偏差，而不仅仅是数字。我多次使用热图来绘制一个只有浮点值的混淆矩阵。我并不是说我想用热图来做这个，我只是说“我怎样才能画出我所展示的图中的东西”，我告诉你你需要使用数字才能画出彩色编码的像素。

           0                1   ...               14               15
0    100.0 +/- 0.0      0.0 +/- 0.0  ...      0.0 +/- 0.0      0.0 +/- 0.0
1   0.49 +/- 0.703  98.53 +/- 1.416  ...      0.0 +/- 0.0      0.0 +/- 0.0
2      0.0 +/- 0.0    0.12 +/- 0.36  ...      0.0 +/- 0.0      0.0 +/- 0.0
3      0.0 +/- 0.0      0.0 +/- 0.0  ...      0.0 +/- 0.0      0.0 +/- 0.0
4      0.0 +/- 0.0      0.0 +/- 0.0  ...      0.0 +/- 0.0      0.0 +/- 0.0
5   0.55 +/- 0.905    0.14 +/- 0.42  ...      0.0 +/- 0.0      0.0 +/- 0.0
6      0.0 +/- 0.0      0.0 +/- 0.0  ...      0.0 +/- 0.0      0.0 +/- 0.0
7      0.0 +/- 0.0      0.0 +/- 0.0  ...      0.0 +/- 0.0      0.0 +/- 0.0
8      0.0 +/- 0.0      0.0 +/- 0.0  ...      0.0 +/- 0.0      0.0 +/- 0.0
9   0.62 +/- 1.318      0.2 +/- 0.6  ...      0.0 +/- 0.0      0.0 +/- 0.0
10  0.65 +/- 0.927   0.24 +/- 0.265  ...      0.0 +/- 0.0      0.0 +/- 0.0
11  1.02 +/- 1.558      0.0 +/- 0.0  ...      0.0 +/- 0.0   1.36 +/- 1.482
12     0.0 +/- 0.0      0.0 +/- 0.0  ...      0.0 +/- 0.0      0.0 +/- 0.0
13   0.32 +/- 0.96      0.0 +/- 0.0  ...      0.0 +/- 0.0      0.0 +/- 0.0
14  0.78 +/- 1.191      0.0 +/- 0.0  ...  98.96 +/- 1.274      0.0 +/- 0.0
15     0.0 +/- 0.0      0.0 +/- 0.0  ...      0.0 +/- 0.0  94.78 +/- 6.884
[16 rows x 16 columns]

def plot_confusion_matrix(cm, cms,  classes,
                          cmap=plt.cm.Blues):
    """
    This function prints and plots the confusion matrix.
    Normalization can be applied by setting `normalize=True`.
    """
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    thresh = cm.max() / 2.

    for i in range(cm.shape[0]):
        for j in range(cm.shape[1]):
            plt.text(j, i, '{0:.2f}'.format(cm[i, j]) + '\n$\pm$' + '{0:.2f}'.format(cms[i, j]),
                     horizontalalignment="center",
                     verticalalignment="center", fontsize=7,
                     color="white" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')


# Plot non-normalized confusion matrix
plt.figure()
plot_confusion_matrix(means, stds, classes=classes_list)