如何将测试集的正确标签和模型预测标签写入csv文档，python代码

下面是一个示例代码，可以将测试集的正确标签和模型预测标签写入一个csv文档中：

import pandas as pd

# 假设测试集的正确标签保存在test_labels列表中，模型预测标签保存在pred_labels列表中
test_labels = [0, 1, 0, 1, 1]
pred_labels = [1, 1, 0, 0, 1]

# 将标签数据转换为DataFrame格式
df = pd.DataFrame({'test_labels': test_labels, 'pred_labels': pred_labels})

# 将DataFrame保存为csv文件
df.to_csv('labels.csv', index=False)

在上面的示例代码中，首先将测试集的正确标签和模型预测标签保存在两个列表中，然后使用pandas库将这两个列表转换为DataFrame格式，并将其保存为名为"labels.csv"的csv文件。其中，`index=False`参数表示不保存行索引。你可以根据自己的需要修改代码中的变量名和文件名。

相关问题

python天气预测真实案例

### Python 实现天气预测真实项目示例

为了展示如何利用Python实现天气预测，下面提供了一个简化版的案例。此案例涵盖了数据加载、预处理、模型训练以及结果保存等基本流程。

#### 数据准备与导入必要的库
首先，需要安装并引入一些常用的机器学习和数据分析包：

import pandas as pd
from sklearn.model_selection import train_test_split  # 导入用于分割测试集和训练集的方法[^3]
from sklearn.linear_model import LinearRegression

接着定义函数`save_predictions`来存储预测的结果到CSV文件中:

def save_predictions(time, actual, predictions, filename="predictions.csv"):
    df = pd.DataFrame({
        'Time': time,
        'Actual Temperature': actual,
        'Predicted Temperature': predictions
    })
    df.to_csv(filename, index=False)

#### 加载气象数据
假设已经有一个包含历史温度记录的数据集，可以将其读取为Pandas DataFrame格式以便后续操作：

data = pd.read_csv('weather_data.csv')
X = data[['Humidity', 'WindSpeed']]  # 假设湿度(Humidity) 和风速(WindSpeed) 是两个重要的输入特征
y = data['Temperature']              # 温度(Temperature)作为目标变量

#### 构建线性回归模型
使用Scikit-Learn中的`LinearRegression`类创建一个简单的线性回归模型来进行气温预报：

model = LinearRegression()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model.fit(X_train, y_train)

# 使用测试集评估性能
score = model.score(X_test, y_test)
print(f'Model R-squared score: {score:.2f}')

#### 可视化结果
通过Matplotlib绘制实际值与预测值之间的对比图表，并获得ax对象以进一步自定义图形属性[^2]:

import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
predicted_temperatures = model.predict(X_test)
ax = plt.gca()

ax.scatter(y_test.index, y_test.values, color='blue', label='Actual Temperatures')
ax.plot(y_test.index, predicted_temperatures, color='red', linewidth=2, linestyle='-', label='Predicted Temperatures')

ax.set_xlabel('Index of Test Samples')
ax.set_ylabel('Temperature (°C)')
ax.legend(loc='best')
plt.show()

最后调用之前定义好的`save_predictions()`方法把时间戳、真实的温度测量值连同对应的预测值一起写入CSV文档中：

time_stamps = ['timestamp_{}'.format(i) for i in range(len(predicted_temperatures))]
save_predictions(time_stamps, list(y_test), list(predicted_temperatures))[^1]