dataframe中第一列为预测值，第二列为准确值面计算预测的错误率，精确率，准确率

在Pandas DataFrame中，如果你有一列是预测值（通常是模型的预测结果），另一列是实际准确值（ground truth），你可以使用sklearn或其他机器学习库来计算预测性能指标，如误差率、精度和准确率。下面是一个基本的例子：

import pandas as pd
from sklearn.metrics import classification_report

# 假设你的DataFrame叫df，预测值列名为'predictions'，实际值列名为'truth'
df = pd.DataFrame({
    'predictions': ['class1', 'class2', 'class1', 'class3', 'class2'],  # 预测值
    'truth': ['class1', 'class1', 'class2', 'class2', 'class3']       # 实际值
})

# 将类别标签转换为数值形式
y_pred = df['predictions'].astype('category').cat.codes
y_true = df['truth'].astype('category').cat.codes

# 计算分类报告
report = classification_report(y_true, y_pred)

# 错误率通常称为混淆矩阵中的"错误总和"除以总的样本数，可以手动计算：
error_rate = (np.sum(np.abs(y_true - y_pred)) / len(y_true))

# 精确率（Precision）是真正例(TP)占所有预测为正例(P)的比例：
precision = report["precision"]

# 准确率（Accuracy）则是正确预测的比例：
accuracy = report["accuracy"]

print("Error Rate:", error_rate)
print("Precision:", precision)
print("Accuracy:", accuracy)

在这个例子中，`classification_report`会返回一个详细的性能报告，包括精确率、召回率、F1分数等。误差率、精确率和准确率可以直接从报告中获取，也可以按照上述公式手动计算。