不使用机器学习库里的f1_score的函数包，计算f1_score的值

如果你不想依赖预装的机器学习库，如scikit-learn，你可以手动编写一个F1分数的计算函数。以下是一个基础的实现方法，适用于二分类问题，通过混淆矩阵来计算精确率、召回率和最终的F1分数：

def calculate_f1_score(predictions, true_labels):
    def _calculate_precision_recall(preds, labels):
        tp = sum([1 for i in range(len(preds)) if preds[i] == 1 and labels[i] == 1])
        fp = sum([1 for i in range(len(preds)) if preds[i] == 1 and labels[i] != 1])
        fn = sum([1 for i in range(len(preds)) if preds[i] != 1 and labels[i] == 1])
        precision = tp / (tp + fp) if tp + fp > 0 else 0
        recall = tp / (tp + fn) if tp + fn > 0 else 0
        return precision, recall
    
    precision, recall = _calculate_precision_recall(predictions, true_labels)
    
    if precision + recall == 0:
        return 0
    else:
        return 2 * ((precision * recall) / (precision + recall))

# 示例
predictions = [0, 1, 1, 0, 1]
true_labels = [0, 1, 1, 0, 1]

f1_score_value = calculate_f1_score(predictions, true_labels)
print("F1 Score:", f1_score_value)

这个函数首先计算了精确率和召回率，然后使用它们来计算F1分数。注意，这只是一个基本实现，对于多类别问题或者其他复杂情况，可能需要更复杂的处理。如果需要其他类型的平均（比如`micro`或`macro`），你可以在`_calculate_precision_recall`内部加入相应的计算逻辑。