如何循环运行DataFrame预测任务并计算多次准确率均值？

当然可以通过循环实现你的需求，以下是适配你现有代码的实现方案：

from sklearn.metrics import accuracy_score
import numpy as np

# 提前获取真实标签，避免循环内重复读取
y_true = test_df["label"].values
n_runs = 10
accuracy_records = []

for run_idx in range(n_runs):
    # 执行单次预测
    predictions = test_df[['histor', 'philosoph', 'cook', 'roman', 'bibl']].apply(lambda x: baseline.predict(*x), axis=1)
    # 计算当前轮次准确率
    current_acc = accuracy_score(y_true, predictions)
    accuracy_records.append(current_acc)
    # 输出单次结果
    print(f"第 {run_idx + 1} 次运行准确率: {current_acc:.4f}")

# 计算并输出均值
mean_accuracy = np.mean(accuracy_records)
# 若不想引入numpy，可用 mean_accuracy = sum(accuracy_records) / n_runs
print(f"\n{str(n_runs)}次运行的准确率均值: {mean_accuracy:.4f}")

关键说明 #

• 将y_true的提取放在循环外部，减少重复的DataFrame操作，提升运行效率
• 用列表accuracy_records存储每一轮的准确率结果，便于后续统计计算
• 格式化输出到四位小数，让结果更直观易读
• 计算均值时，既可以用numpy.mean简化操作，也可以用Python基础的求和与除法实现，无需额外依赖

内容的提问来源于stack exchange，提问作者python_user