Python 获取与numpy中混淆矩阵中每种类型错误的实例对应的索引

我希望能够获得犯下特定类型错误的实例的索引（或数组掩码），而不仅仅是获取混淆矩阵。例如，我希望看到当它属于类0时，预测为类2的实例，等等

我可以使用列表理解轻松获得数组掩码：

import numpy as np

y_true, y_pred = np.array([0, 1, 0, 2, 1, 1]), np.array([0, 0, 0, 2, 1, 2])
np.array([[np.logical_and(y_true==r, y_pred==c) for c in xrange(3)] for r in xrange(3)])

这就产生了：

[[[ True False  True False False False]
  [False False False False False False]
  [False False False False False False]]

 [[False  True False False False False]
  [False False False False  True False]
  [False False False False False  True]]

 [[False False False False False False]
  [False False False False False False]
  [False False False  True False False]]]

（要获取索引，我可以使用

np.where（）

）。上述内容对应于混淆矩阵：

[[2 0 0]
 [1 1 1]
 [0 0 1]]

但是，我想问一下，是否有一个

numpy

-thonic一行程序可以帮助我消除嵌套列表理解？

不是一行程序：

In [42]: y_true = np.array([0, 1, 0, 2, 1, 1])

In [43]: y_pred = np.array([0, 0, 0, 2, 1, 2])

In [44]: n = len(y_pred)

In [45]: values = np.arange(3).reshape(-1,1)

In [46]: np.logical_and((y_true == values).reshape(-1,1,n), (y_pred == values).reshape(1,-1,n))
Out[46]: 
array([[[ True, False,  True, False, False, False],
        [False, False, False, False, False, False],
        [False, False, False, False, False, False]],

       [[False,  True, False, False, False, False],
        [False, False, False, False,  True, False],
        [False, False, False, False, False,  True]],

       [[False, False, False, False, False, False],
        [False, False, False, False, False, False],
        [False, False, False,  True, False, False]]], dtype=bool)

对同一表达式的一种略为简短的拼写：

In [100]: (y_true == values).reshape(-1,1,n) & (y_pred == values)
Out[100]: 
array([[[ True, False,  True, False, False, False],
        [False, False, False, False, False, False],
        [False, False, False, False, False, False]],

       [[False,  True, False, False, False, False],
        [False, False, False, False,  True, False],
        [False, False, False, False, False,  True]],

       [[False, False, False, False, False, False],
        [False, False, False, False, False, False],
        [False, False, False,  True, False, False]]], dtype=bool)

---

要在混合中添加这些令人困惑的奇特索引解决方案之一，您还可以执行以下操作：

>>> y_true = np.array([0, 1, 0, 2, 1, 1])
>>> y_pred = np.array([0, 0, 0, 2, 1, 2])
>>> out = np.zeros((3, 3, len(y_true)), dtype=np.bool)
>>> out[y_true, y_pred, np.arange(len(y_true))] = True
>>> out
array([[[ True, False,  True, False, False, False],
        [False, False, False, False, False, False],
        [False, False, False, False, False, False]],

       [[False,  True, False, False, False, False],
        [False, False, False, False,  True, False],
        [False, False, False, False, False,  True]],

       [[False, False, False, False, False, False],
        [False, False, False, False, False, False],
        [False, False, False,  True, False, False]]], dtype=bool)

---

您可以通过上一个轴将上述矩阵求和得到混淆矩阵，但如果这就是您想要的，则最好直接使用

np.bincount

：

>>> np.bincount(y_pred + 3*y_true, minlength=9).reshape(3,3)
array([[2, 0, 0],
       [1, 1, 1],
       [0, 0, 1]], dtype=int64)

SciPy的

sparse_coo

矩阵将重复索引相加，因此以下方法也适用：

>>> sps.coo_matrix((np.ones_like(y_true, dtype=np.intp),
---                 (y_true, y_pred)), shape=(3, 3)).A
array([[2, 0, 0],
       [1, 1, 1],
       [0, 0, 1]], dtype=int64)

---

我对接受哪个答案感到非常矛盾。我喜欢这样，因为它清晰直观，但我问这个问题是希望有人能提供一个@Jaime已经完成的高级索引解决方案。谢谢你的帮助：）不必自相矛盾，@Jaime的回答非常巧妙。我一直在考虑是否可以使用（

coo_矩阵（（数据，（I，j）），[shape=（M，N）]

中定义的最后一组参数将其应用于

coo_矩阵的初始化，但所有这些数组索引都伤害了我的大脑。你有什么想法吗？看我的编辑，我想我们已经爱上了，有比创建布尔数组更好的选项来构建混淆矩阵。是的，这或多或少与此相同，但我确实需要与混淆矩阵中每个条目对应的数组掩码或索引。