如何基于multi-index value_counts绘制混淆矩阵热力图

步骤1：将多索引计数结果转为二维矩阵 #

df.value_counts()返回的是多级索引的一维Series，无法直接传入热力图接口，调用unstack()即可将其转换为行对应result、列对应predict的二维混淆矩阵：

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

# 转换为二维矩阵
confusion_mat = df[["result", "predict"]].value_counts().unstack()
# 可选：手动固定行列顺序，避免布尔值排序不符合预期
confusion_mat = confusion_mat.reindex(index=[True, False], columns=[True, False])

转换后矩阵结构和给出的计数完全对应：

步骤2：调用seaborn绘制热力图 #

使用seaborn.heatmap接口，开启单元格数值标注即可完成绘制：

plt.figure(figsize=(6, 5))
sns.heatmap(
    confusion_mat,
    annot=True,        # 显示单元格内的计数值
    fmt="d",           # 指定数值格式为整数
    cmap="Blues",      # 指定配色
    cbar=False         # 可选：隐藏右侧色条，二分类混淆矩阵可以不需要
)
plt.xlabel("预测列 predict")
plt.ylabel("真实列 result")
plt.title("预测结果混淆矩阵")
plt.show()

可选替代方案 #

如果不需要复用value_counts()的结果，也可以直接从原始两列数据生成矩阵，不需要手动做计数统计：

from sklearn.metrics import confusion_matrix

# 直接生成混淆矩阵，labels参数指定标签顺序
confusion_mat = confusion_matrix(
    y_true=df["result"],
    y_pred=df["predict"],
    labels=[True, False]
)
# 后续绘图代码和上述流程完全一致

内容的提问来源于stack exchange，提问作者David Davó