我们可以从precision_recall_fscore_support函数获取实际值，然后将其放入数据帧中。下面的代码将给出相同的结果，但是现在在pandas df :)中。

clf_rep = metrics.precision_recall_fscore_support(true, pred)
out_dict = {
             "precision" :clf_rep[0].round(2)
            ,"recall" : clf_rep[1].round(2)
            ,"f1-score" : clf_rep[2].round(2)
            ,"support" : clf_rep[3]
            }
out_df = pd.DataFrame(out_dict, index = nb.classes_)
avg_tot = (out_df.apply(lambda x: round(x.mean(), 2) if x.name!="support" else  round(x.sum(), 2)).to_frame().T)
avg_tot.index = ["avg/total"]
out_df = out_df.append(avg_tot)
print out_df

另一种选择是计算基础数据并自行编写报告。您将获得的所有统计信息

precision_recall_fscore_support

虽然先前的答案可能都有效，但我发现它们有些冗长。以下内容将单个类的结果以及摘要行存储在单个数据框中。对报告中的更改不是很敏感，但是可以帮到我。

#init snippet and fake data
from io import StringIO
import re
import pandas as pd
from sklearn import metrics
true_label = [1,1,2,2,3,3]
pred_label = [1,2,2,3,3,1]

def report_to_df(report):
    report = re.sub(r" +", " ", report).replace("avg / total", "avg/total").replace("\n ", "\n")
    report_df = pd.read_csv(StringIO("Classes" + report), sep=' ', index_col=0)        
    return(report_df)

#txt report to df
report = metrics.classification_report(true_label, pred_label)
report_df = report_to_df(report)

#store, print, copy...
print (report_df)

给出所需的输出：

Classes precision   recall  f1-score    support
1   0.5 0.5 0.5 2
2   0.5 0.5 0.5 2
3   0.5 0.5 0.5 2
avg/total   0.5 0.5 0.5 6

如果您希望获得个人分数，那么应该可以完成这项工作。

import pandas as pd

def classification_report_csv(report):
    report_data = []
    lines = report.split('\n')
    for line in lines[2:-3]:
        row = {}
        row_data = line.split('      ')
        row['class'] = row_data[0]
        row['precision'] = float(row_data[1])
        row['recall'] = float(row_data[2])
        row['f1_score'] = float(row_data[3])
        row['support'] = float(row_data[4])
        report_data.append(row)
    dataframe = pd.DataFrame.from_dict(report_data)
    dataframe.to_csv('classification_report.csv', index = False)

report = classification_report(y_true, y_pred)
classification_report_csv(report)

从scikit-learn v0.20开始，将分类报告转换为pandas Dataframe的最简单方法是简单地将报告作为dict返回：

report = classification_report(y_test, y_pred, output_dict=True)

然后构造一个数据框并转置它：

df = pandas.DataFrame(report).transpose()

从这里开始，您可以自由使用标准的pandas方法生成所需的输出格式（CSV，HTML，LaTeX等）。

另请参阅https://scikit-learn.org/0.20/modules/generated/sklearn.metrics.classification_report.html上的文档

仅将分类报告输出为dict显然是一个更好的主意：

sklearn.metrics.classification_report(y_true, y_pred, output_dict=True)

但是，这是我制作的将所有类 （仅类）结果转换为pandas数据框的函数。

def report_to_df(report):
    report = [x.split(' ') for x in report.split('\n')]
    header = ['Class Name']+[x for x in report[0] if x!='']
    values = []
    for row in report[1:-5]:
        row = [value for value in row if value!='']
        if row!=[]:
            values.append(row)
    df = pd.DataFrame(data = values, columns = header)
    return df

希望这对您有用。

只是import pandas as pd ，并确保您设置output_dict参数默认为False到True计算时classification_report 。这将产生一个pandas DataFrame classification_report dictionary ，然后您可以将其传递给pandas DataFrame方法。您可能需要transpose结果DataFrame以适合所需的输出格式。然后，可以根据需要将生成的DataFrame写入csv文件。

clsf_report = pd.DataFrame(classification_report(y_true = your_y_true, y_pred = your_y_preds5, output_dict=True)).transpose()
clsf_report.to_csv('Your Classification Report Name.csv', index= True)

我希望这有帮助。

连同示例输入输出一起， 这是其他函数 metrics_report_to_df（） 。从Sklearn指标实施precision_recall_fscore_support应该可以：

# Generates classification metrics using precision_recall_fscore_support:
from sklearn import metrics
import pandas as pd
import numpy as np; from numpy import random

# Simulating true and predicted labels as test dataset: 
np.random.seed(10)
y_true = np.array([0]*300 + [1]*700)
y_pred = np.random.randint(2, size=1000)

# Here's the custom function returning classification report dataframe:
def metrics_report_to_df(ytrue, ypred):
    precision, recall, fscore, support = metrics.precision_recall_fscore_support(ytrue, ypred)
    classification_report = pd.concat(map(pd.DataFrame, [precision, recall, fscore, support]), axis=1)
    classification_report.columns = ["precision", "recall", "f1-score", "support"] # Add row w "avg/total"
    classification_report.loc['avg/Total', :] = metrics.precision_recall_fscore_support(ytrue, ypred, average='weighted')
    classification_report.loc['avg/Total', 'support'] = classification_report['support'].sum() 
    return(classification_report)

# Provide input as true_label and predicted label (from classifier)
classification_report = metrics_report_to_df(y_true, y_pred)

# Here's the output (metrics report transformed to dataframe )
In [1047]: classification_report
Out[1047]: 
           precision    recall  f1-score  support
0           0.300578  0.520000  0.380952    300.0
1           0.700624  0.481429  0.570703    700.0
avg/Total   0.580610  0.493000  0.513778   1000.0

如此处的其中一篇文章中所述， precision_recall_fscore_support与classification_report类似。

然后，只需使用python库pandas即可轻松地将数据格式化为列格式，类似于classification_report那样。这是一个例子：

import numpy as np
import pandas as pd

from sklearn.metrics import classification_report
from  sklearn.metrics import precision_recall_fscore_support

np.random.seed(0)

y_true = np.array([0]*400 + [1]*600)
y_pred = np.random.randint(2, size=1000)

def pandas_classification_report(y_true, y_pred):
    metrics_summary = precision_recall_fscore_support(
            y_true=y_true, 
            y_pred=y_pred)

    avg = list(precision_recall_fscore_support(
            y_true=y_true, 
            y_pred=y_pred,
            average='weighted'))

    metrics_sum_index = ['precision', 'recall', 'f1-score', 'support']
    class_report_df = pd.DataFrame(
        list(metrics_summary),
        index=metrics_sum_index)

    support = class_report_df.loc['support']
    total = support.sum() 
    avg[-1] = total

    class_report_df['avg / total'] = avg

    return class_report_df.T

使用classification_report您将获得类似以下内容的信息：

print(classification_report(y_true=y_true, y_pred=y_pred, digits=6))

输出：

             precision    recall  f1-score   support

          0   0.379032  0.470000  0.419643       400
          1   0.579365  0.486667  0.528986       600

avg / total   0.499232  0.480000  0.485248      1000

然后使用我们的自定义功能pandas_classification_report ：

df_class_report = pandas_classification_report(y_true=y_true, y_pred=y_pred)
print(df_class_report)

输出：

             precision    recall  f1-score  support
0             0.379032  0.470000  0.419643    400.0
1             0.579365  0.486667  0.528986    600.0
avg / total   0.499232  0.480000  0.485248   1000.0

然后只需将其保存为csv格式（其他分隔符格式请参见此处 ，例如sep =';'）：

df_class_report.to_csv('my_csv_file.csv',  sep=',')

我使用LibreOffice Calc打开my_csv_file.csv （尽管您可以使用任何表格或电子表格编辑器，例如excel）：