sklearn accuracy_score能否兼容pandas.Series与numpy.ndarray输入？

直接结论 #

sklearn的accuracy_score完全兼容pandas Series和numpy ndarray的混合输入，不会因为类型不同算错准确率。但你当前的y_pred_class是二维数组，这才是潜在的错误隐患。

为什么类型混合没问题？ #

accuracy_score内部会自动处理输入类型：不管是带索引的Series，还是纯ndarray，函数都会提取底层的数值序列来做比对，Series的索引会被直接忽略，只看标签值本身。所以你没报错、能出分数，是因为类型这块确实兼容，但得重点关注预测值的维度。

你的核心问题：二维的y_pred_class #

二分类任务里，正确的预测类别应该是一维数组（每个样本对应一个0/1标签）。但你说y_pred_class是经np.round转出来的二维数组——大概率是因为你用model.predict_proba()输出了(n_samples, 2)的概率矩阵（每行是两个类别的概率），直接round后得到了二维的0/1数组。这种情况下，哪怕accuracy_score不报错，计算逻辑也会彻底错误（比如把二维数组展平后和一维的y_test强行对齐，结果完全不对）。

正确的处理步骤 #

针对你的二分类场景，生成正确y_pred_class的方式有两种：

1. 推荐：直接取概率最大的类别
   如果用的是predict_proba输出概率矩阵，直接取每行概率最大的索引作为类别：

   y_pred_class = model.predict_proba(X_test).argmax(axis=1)
   

2. 如果非要用np.round
   得把二维数组压缩成一维，比如取正类的概率列再round：

   # 假设概率矩阵的第二列是正类概率
   y_pred_class = np.round(model.predict_proba(X_test)[:, 1]).astype(int)
   

3. 验证维度后计算准确率
   确保y_pred_class和y_test都是一维（长度等于测试样本数），再调用函数：

   from sklearn.metrics import accuracy_score
   acc = accuracy_score(y_test, y_pred_class)
   

快速验证方法 #

抽几个样本手动核对：

• 看y_test.head(5).values和y_pred_class[:5]的对应关系，手动算这5个的准确率，和函数输出的整体准确率逻辑一致，就说明没问题。

内容的提问来源于stack exchange，提问作者Debbie