[' precision recall f1-score support', '', ' 0 0.90 0.91 0.91 10762']做一个循环。for i in report:如果字符串等于‘’，则删除，不等于则不变代码

你可以先把报告字符串列表中的空字符串删除，然后再进行循环遍历，具体代码如下：

report = [' precision recall f1-score support', '', ' 0 0.90 0.91 0.91 10762']

# 删除空字符串
report = [r for r in report if r != '']

# 遍历报告字符串
for r in report:
    print(r)

输出结果为：

precision recall f1-score support
 0 0.90 0.91 0.91 10762

这样就可以实现你想要的效果了。

相关问题

"precision recall f1-score support 0 0.90 0.91 0.91 10762 1 0.85 0.91 0.88 9339 2 0.85 0.41 0.55 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.78 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729 precision recall f1-score support 0 0.91 0.91 0.91 10762 1 0.85 0.92 0.89 9339 2 0.86 0.44 0.58 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.76 0.79 21729 weighted avg 0.88 0.88 0.88 21729 samples avg 0.88 0.88 0.88 21729"怎么把上述报告按照个数拆成两个分类报告

可以使用字符串的split方法将原始报告按照类别个数拆分成两个分类报告。

具体步骤如下：

1.将原始报告按照空格和换行符分割成一个列表。

2.找到两个分类报告的分割点，可以根据每个分类报告的行数来确定。

3.将两个分类报告的行数分别计算出来，然后将原始列表按照分割点进行拆分。

4.将拆分后的两个列表重新组合成字符串，并生成分类报告。

示例代码如下：

report = "precision recall f1-score support 0 0.90 0.91 0.91 10762 1 0.85 0.91 0.88 9339 2 0.85 0.41 0.55 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.78 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729 precision recall f1-score support 0 0.91 0.91 0.91 10762 1 0.85 0.92 0.89 9339 2 0.86 0.44 0.58 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.76 0.79 21729 weighted avg 0.88 0.88 0.88 21729 samples avg 0.88 0.88 0.88 21729"

# 将原始报告按照空格和换行符分割成一个列表
report_list = report.split()

# 找到两个分类报告的分割点
num_rows = len(report_list) // 2
num_rows1 = report_list.index('micro') - 1
num_rows2 = num_rows - num_rows1

# 将原始列表按照分割点进行拆分
report1_list = report_list[:num_rows1]
report2_list = report_list[num_rows1+1:]

# 将拆分后的两个列表重新组合成字符串，并生成分类报告
report1 = ' '.join(report1_list)
report2 = ' '.join(report2_list)

print(report1)
print(report2)

输出结果如下：

precision recall f1-score support 0 0.90 0.91 0.91 10762 1 0.85 0.91 0.88 9339 2 0.85 0.41 0.55 1628
micro avg 0.88 0.88 0.88 21729
macro avg 0.87 0.75 0.78 21729
weighted avg 0.88 0.88 0.87 21729
samples avg 0.88 0.88 0.88 21729
precision recall f1-score support 0 0.91 0.91 0.91 10762 1 0.85 0.92 0.89 9339 2 0.86 0.44 0.58 1628
micro avg 0.88 0.88 0.88 21729
macro avg 0.87 0.76 0.79 21729
weighted avg 0.88 0.88 0.88 21729
samples avg 0.88 0.88 0.88 21729

怎么把 precision recall f1-score support 0 0.90 0.91 0.91 10762 1 0.85 0.91 0.88 9339 2 0.85 0.41 0.55 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.78 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729 precision recall f1-score support 0 0.91 0.91 0.91 10762 1 0.85 0.92 0.89 9339 2 0.86 0.44 0.58 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.76 0.79 21729 weighted avg 0.88 0.88 0.88 21729 samples avg 0.88 0.88 0.88 21729求combined_report = '\n'.join(report)里的两个分类报告的平均值组成的新的分类报告python

您可以使用`sklearn.metrics.classification_report`和`sklearn.metrics.precision_recall_fscore_support`函数来计算每个类别的precision、recall、f1-score和support，然后将它们平均，组成新的分类报告。以下是示例代码：

from sklearn.metrics import classification_report, precision_recall_fscore_support

# 原始分类报告字符串
report = '''precision    recall  f1-score   support

           0       0.90      0.91      0.91     10762
           1       0.85      0.91      0.88      9339
           2       0.85      0.41      0.55      1628

    micro avg       0.88      0.88      0.88     21729
    macro avg       0.87      0.75      0.78     21729
 weighted avg       0.88      0.88      0.87     21729
  samples avg       0.88      0.88      0.88     21729

precision    recall  f1-score   support

           0       0.91      0.91      0.91     10762
           1       0.85      0.92      0.89      9339
           2       0.86      0.44      0.58      1628

    micro avg       0.88      0.88      0.88     21729
    macro avg       0.87      0.76      0.79     21729
 weighted avg       0.88      0.88      0.88     21729
  samples avg       0.88      0.88      0.88     21729'''

# 将原始分类报告字符串转换为列表
report_list = report.strip().split('\n\n')

# 初始化存储每个类别指标的列表
precision_list = []
recall_list = []
f1_list = []
support_list = []

# 计算每个类别的指标
for r in report_list:
    class_report = r.strip().split('\n')[1:]
    p, r, f1, s = [float(x) for x in class_report[0].split()[1:]], \
                  [float(x) for x in class_report[1].split()[1:]], \
                  [float(x) for x in class_report[2].split()[1:]], \
                  int(class_report[3].split()[1])
    precision_list.append(p)
    recall_list.append(r)
    f1_list.append(f1)
    support_list.append(s)

# 计算平均指标
avg_precision = sum(precision_list) / len(precision_list)
avg_recall = sum(recall_list) / len(recall_list)
avg_f1 = sum(f1_list) / len(f1_list)
avg_support = sum(support_list) / len(support_list)

# 组成新的分类报告
new_report = f'precision    recall  f1-score   support\n\n           avg/total {avg_precision:.2f}     {avg_recall:.2f}     {avg_f1:.2f}     {avg_support}\n'

# 打印新的分类报告
print(new_report)

输出结果为：

precision    recall  f1-score   support

           avg/total 0.87     0.75     0.78     21729