如何按对角线值降序对pandas生成的混淆矩阵排序

完全可以实现，核心逻辑是先提取每个类别对应对角线位置的预测正确样本数，按数值从大到小排序得到新的类别顺序，再同步重排混淆矩阵的行和列即可。

在你原有代码基础上补充重排逻辑即可，完整代码如下：

import pandas as pd
import seaborn as sn
import matplotlib.pyplot as plt

data = {'y_Actual':    [3, 3, 1, 1, 0, 1, 2, 3, 1, 1, 1, 0, 2, 4, 3],
        'y_Predicted': [1, 2, 2, 1, 0, 1, 3, 0, 1, 0, 0, 0, 3, 4, 2]
        }

df = pd.DataFrame(data, columns=['y_Actual','y_Predicted'])
confusion_matrix = pd.crosstab(df['y_Actual'], df['y_Predicted'],
                               rownames=['Actual'], colnames=['Predicted'])

# 补全可能缺失的类别行列，避免维度不匹配，所有类别都覆盖时可省略
confusion_matrix = confusion_matrix.reindex(index=range(5), columns=range(5), fill_value=0)
# 提取对角线值，生成降序排列的类别索引
sorted_idx = confusion_matrix.values.diagonal().argsort()[::-1]
# 用相同索引同步重排行、列，保证类别对应关系正确
sorted_confusion_matrix = confusion_matrix.iloc[sorted_idx, sorted_idx]

sn.heatmap(sorted_confusion_matrix, annot=True)
plt.show()

关键注意点 #

• 重排行和列必须使用完全一致的索引顺序，否则会打乱真实类别和预测类别的对应关系，导致混淆矩阵统计错误。
• 上述示例里range(5)对应0-4共5个分类类别，实际使用时替换成你自己任务的全量类别列表即可。
• 你当前示例的原始混淆矩阵效果如下：
  
  运行重排代码后，对角线会从左上角开始按数值从高到低排列，预测正确样本数最多的类别会排在最靠前的位置。

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