"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"求这个组合报告里的两个分类报告的平均值组成的新的分类报告python

可以使用 scikit-learn 库中的 classification_report 函数来解析这个组合报告字符串，计算其中两个分类报告的平均值，再生成新的分类报告字符串。下面是一个示例代码：

from sklearn.metrics import classification_report
import numpy as np

# 将组合报告字符串解析为字典
combined_report = classification_report(y_true, y_pred, output_dict=True)

# 计算两个分类报告的各项指标的平均值
new_report = {}
for label in combined_report.keys():
    if label.isdigit():
        new_report[label] = {}
        for metric in combined_report[label].keys():
            if metric != 'support':
                new_report[label][metric] = np.mean([combined_report[label][metric], combined_report[label+''][metric]])

# 生成新的分类报告字符串
combined_report = classification_report(y_true, y_pred, output_dict=False, target_names=target_names)

其中，`y_true` 和 `y_pred` 分别是真实标签和模型预测出的标签，`target_names` 是标签名称列表。最终的 `combined_report` 变量将包含由两个分类报告的平均值组成的新的分类报告字符串。