python中如何用字符串轴而不是整数绘制混淆矩阵

我正在学习上一篇关于如何在Matplotlib中绘制混淆矩阵的文章。脚本如下：

from numpy import *
import matplotlib.pyplot as plt
from pylab import *

conf_arr = [[33,2,0,0,0,0,0,0,0,1,3], [3,31,0,0,0,0,0,0,0,0,0], [0,4,41,0,0,0,0,0,0,0,1], [0,1,0,30,0,6,0,0,0,0,1], [0,0,0,0,38,10,0,0,0,0,0], [0,0,0,3,1,39,0,0,0,0,4], [0,2,2,0,4,1,31,0,0,0,2], [0,1,0,0,0,0,0,36,0,2,0], [0,0,0,0,0,0,1,5,37,5,1], [3,0,0,0,0,0,0,0,0,39,0], [0,0,0,0,0,0,0,0,0,0,38] ]

norm_conf = []
for i in conf_arr:
        a = 0
        tmp_arr = []
        a = sum(i,0)
        for j in i:
                tmp_arr.append(float(j)/float(a))
        norm_conf.append(tmp_arr)

plt.clf()
fig = plt.figure()
ax = fig.add_subplot(111)
res = ax.imshow(array(norm_conf), cmap=cm.jet, interpolation='nearest')


for i,j in ((x,y) for x in xrange(len(conf_arr))
            for y in xrange(len(conf_arr[0]))):
    ax.annotate(str(conf_arr[i][j]),xy=(i,j))

cb = fig.colorbar(res)
savefig("confusion_matrix.png", format="png")

我想改变轴来显示字母串，比如（A，B，C，…）而不是整数（0，1，2，3，…10）。一个人怎么能做到这一点。谢谢

musa

只需使用和使用

例如

---

我猜你想要的是：

以下是您想要的：

from string import ascii_uppercase
from pandas import DataFrame
import numpy as np
import seaborn as sn
from sklearn.metrics import confusion_matrix

y_test = np.array([1,2,3,4,5, 1,2,3,4,5, 1,2,3,4,5])
predic = np.array([1,2,4,3,5, 1,2,4,3,5, 1,2,3,4,4])

columns = ['class %s' %(i) for i in list(ascii_uppercase)[0:len(np.unique(y_test))]]

confm = confusion_matrix(y_test, predic)
df_cm = DataFrame(confm, index=columns, columns=columns)

ax = sn.heatmap(df_cm, cmap='Oranges', annot=True)

图像输出示例如下：

---

如果您想要一个更完整的混淆矩阵作为matlab的默认值，包括每个单元格上的总数（最后一行和最后一列）和百分比，请参见下面的模块

因为我浏览了互联网，没有在python上找到像这样的混淆矩阵，我用这些改进开发了一个，并在git上共享

---

参考：

输出示例如下所示：

---

如果您的结果存储在csv文件中，您可以直接使用此方法，否则您可能需要进行一些更改以适应结果的结构

从以下内容修改示例：

输出将类似于：

---

要获得sklearn为您创建的图形，只需使用他们的代码即可

从sklearn.metrics导入混淆矩阵
#我使用sklearn度量源进行此操作
从sklearn.metrics导入混淆矩阵显示
classNames=np.arange（1,6）
#转换为混淆矩阵的离散值
regPredictionsCut=pd.cut（regPredictionsTDF[0]，bin=5，labels=classNames，right=False）
cm=混淆矩阵（y检验，regPredictionsCut）
disp=混淆矩阵显示（混淆矩阵=cm，显示标签=类名）
显示绘图（）

我通过点击“源”链接找到了答案

以下是结果图：

---

感谢Joe提供的解决方案。我采纳了你的建议，但我得到了一个替换的数字。我使用的是python版本python 2.6。4@user729470-嗯，你不能只是复制粘贴它然后让它工作。查看

xticks

和

yticks

采用的参数。第一个是记号的位置，第二个是标签列表。在上面的示例中，我在

[0,1,2,3,4]

处放置了记号。在您的情况下，您希望在不同的位置显示刻度。如果您只是复制粘贴上面的代码，它会将记号放在

范围（5）

指定的位置。感谢Joe提供的解决方案。我采纳了你的建议，但我得到了一个替换的数字。我使用的是python版本python 2.6.4。我得到的情节是。我想得到下面的绘图@user729470-如果你只是复制粘贴我上面的内容，是的，正如我所解释的，这将发生。您不希望将记号放在0,1,2,3,4，而是希望它们放在其他位置（

范围（0,10,2），在您的情况下

）。您需要调整示例以适应您的情况。或者，如果您不想更改记号的位置，而只想更新标签本身，则可以使用

ax.setxticklabels

。@JoeKington-我正在试图理解您的脚本。但是，我意识到另一个问题，即画布没有正确缩放，因此轴标签和记号被切断。在axis标签中，您的图表看起来非常完美。请参见中保存的图。有办法解决这个问题吗？您使用的是什么版本的matplotlib？我使用的是最新版本，结果正确。如果x轴和y轴的元素数量相同，请尝试在

保存图之前添加
ax.set\u aspect（1）
call@user496713. 我使用的是matplotlib版本0.99.2，使用的是UBUNTU操作系统10.10。我已经添加了ax.set_特性，但是图形被修剪掉了。谢谢。@user496713。我设法更新了matplotlib。这张图表画得很漂亮。非常感谢你。好极了杰出的干杯。我只是注意到除了对角线之外，其他颜色和值都不匹配。我编辑了我的答案来解决这个问题。你能接受我的答案吗？scikit学习文档中有一个很好的功能：正如已经指出的，现在可以使用scikit的内置绘图功能，如下所示：不是答案本身，但是在这个matplotlib教程中有一些相关的例子：用户包含了相关的代码，并且为此付出了很多努力，代码是相关的，而且很好。你被其他人否决了，因为你的英语语法不够好，无法在stackoverflow上赢得声誉。对将来来说，让你的单词通过英语拼写和语法检查是个好主意。好的，G5W，不客气。我试图传播这一点，因为我真的没有发现类似的东西，我知道有很多人需要..如果有人面临绘图未显示的问题，那么有必要在最后调用matplotlib:
导入matplotlib.pyplot作为plt；plt.show（）
import numpy as np
import matplotlib.pyplot as plt

conf_arr = [[33,2,0,0,0,0,0,0,0,1,3], 
            [3,31,0,0,0,0,0,0,0,0,0], 
            [0,4,41,0,0,0,0,0,0,0,1], 
            [0,1,0,30,0,6,0,0,0,0,1], 
            [0,0,0,0,38,10,0,0,0,0,0], 
            [0,0,0,3,1,39,0,0,0,0,4], 
            [0,2,2,0,4,1,31,0,0,0,2],
            [0,1,0,0,0,0,0,36,0,2,0], 
            [0,0,0,0,0,0,1,5,37,5,1], 
            [3,0,0,0,0,0,0,0,0,39,0], 
            [0,0,0,0,0,0,0,0,0,0,38]]

norm_conf = []
for i in conf_arr:
    a = 0
    tmp_arr = []
    a = sum(i, 0)
    for j in i:
        tmp_arr.append(float(j)/float(a))
    norm_conf.append(tmp_arr)

fig = plt.figure()
plt.clf()
ax = fig.add_subplot(111)
ax.set_aspect(1)
res = ax.imshow(np.array(norm_conf), cmap=plt.cm.jet, 
                interpolation='nearest')

width, height = conf_arr.shape

for x in xrange(width):
    for y in xrange(height):
        ax.annotate(str(conf_arr[x][y]), xy=(y, x), 
                    horizontalalignment='center',
                    verticalalignment='center')

cb = fig.colorbar(res)
alphabet = 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'
plt.xticks(range(width), alphabet[:width])
plt.yticks(range(height), alphabet[:height])
plt.savefig('confusion_matrix.png', format='png')

from string import ascii_uppercase
from pandas import DataFrame
import numpy as np
import seaborn as sn
from sklearn.metrics import confusion_matrix

y_test = np.array([1,2,3,4,5, 1,2,3,4,5, 1,2,3,4,5])
predic = np.array([1,2,4,3,5, 1,2,4,3,5, 1,2,3,4,4])

columns = ['class %s' %(i) for i in list(ascii_uppercase)[0:len(np.unique(y_test))]]

confm = confusion_matrix(y_test, predic)
df_cm = DataFrame(confm, index=columns, columns=columns)

ax = sn.heatmap(df_cm, cmap='Oranges', annot=True)

import itertools
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix

def plot_confusion_matrix(cm, classes,
                          normalize=False,
                          title='Confusion matrix',
                          cmap=plt.cm.Blues):
    """
    This function prints and plots the confusion matrix.
    Normalization can be applied by setting `normalize=True`.
    """
    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
        print("Normalized confusion matrix")
    else:
        print('Confusion matrix, without normalization')

    print(cm)

    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, format(cm[i, j], fmt),
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")

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


#Assumming that your predicted results are in csv. If not, you can still modify the example to suit your requirements
df = pd.read_csv("dataframe.csv", index_col=0)

cnf_matrix = confusion_matrix(df["actual_class_num"], df["predicted_class_num"])

#getting the unique class text based on actual numerically represented classes
unique_class_df = df.drop_duplicates(['actual_class_num','actual_class_text']).sort_values("actual_class_num")

# Plot non-normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=unique_class_df["actual_class_text"],
                      title='Confusion matrix, without normalization')