自定义多分类混淆矩阵生成函数：基于双向量的计数需求

嘿，我来帮你搞定这个混淆矩阵的函数！你需要的是一个能统计真实标签（y_label）和预测值（y_predict）对应次数的3x3矩阵对吧？没问题，我给你两种实现方式，一种是纯Python基础版，另一种是适合大数据量的numpy高效版，都完全符合你的要求。

这个版本不需要依赖任何第三方库，逻辑清晰易懂，适合小数据集或者想理解底层原理的场景：

def get_confusion_matrix(y_label, y_predict):
    # 初始化一个3行3列的零矩阵，用来存储计数结果
    confusion_matrix = [[0] * 3 for _ in range(3)]
    
    # 遍历每一组真实标签和预测值
    for true_label, pred_label in zip(y_label, y_predict):
        # 先做合法性校验，确保输入的标签只能是0、1、2
        if true_label not in (0, 1, 2) or pred_label not in (0, 1, 2):
            raise ValueError("y_label和y_predict的元素只能是0、1或2，请检查输入！")
        # 对应位置的计数加1：true_label是行索引，pred_label是列索引
        confusion_matrix[true_label][pred_label] += 1
    
    return confusion_matrix

如果你的数据集比较大，用numpy的向量化操作会比循环快很多，适合生产环境或者大数据场景：

import numpy as np

def get_confusion_matrix_np(y_label, y_predict):
    # 把输入转换成numpy数组，方便后续操作
    y_true = np.array(y_label)
    y_pred = np.array(y_predict)
    
    # 校验输入合法性，确保所有元素都是0、1、2
    if not np.all(np.isin(y_true, [0, 1, 2])) or not np.all(np.isin(y_pred, [0, 1, 2])):
        raise ValueError("y_label和y_predict的元素只能是0、1或2，请检查输入！")
    
    # 初始化3x3的整数型零矩阵
    confusion_matrix = np.zeros((3, 3), dtype=int)
    # 用numpy的add.at方法高效累加对应位置的计数
    np.add.at(confusion_matrix, (y_true, y_pred), 1)
    
    return confusion_matrix

不管用哪个版本，你都可以用下面的代码把结果打印成你想要的表格格式：

# 测试用的示例数据
y_label = [0, 0, 1, 2, 1, 0, 2, 1]
y_predict = [0, 1, 1, 2, 0, 0, 2, 1]

# 获取混淆矩阵
cm = get_confusion_matrix(y_label, y_predict)
# 或者用numpy版本：cm = get_confusion_matrix_np(y_label, y_predict)

# 打印成指定的表格格式
print("|   | 0 | 1 | 2 |")
print("---------------")
for row_idx in range(3):
    print(f"| {row_idx} | {cm[row_idx][0]} | {cm[row_idx][1]} | {cm[row_idx][2]} |")
    print("---------------")

运行后会输出：

|   | 0 | 1 | 2 |
---------------
| 0 | 2 | 1 | 0 |
---------------
| 1 | 1 | 2 | 0 |
---------------
| 2 | 0 | 0 | 2 |
---------------

完全符合你想要的格式，比如cm[0][1]的值是1，对应真实标签为0、预测为1的样本数量。

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