[转载] numpy.bincount介绍以及巧妙计算分类结果中每一类预测正确的个数

参考链接： Python中的numpy.bincount

之前接触到bincount这个函数，简单的以为它就是计算分类结果中每一类的数量，如下： 

import numpy as np

a = np.array([0,1,3,2,1])

binc = np.bincount(a)

print(binc)

 

结果输出是这样： 

[1 2 1 1] 

这个结果表示0有1个，1有两个，2和3各有一个。 

但是今天又发现了一个不为人知的巧妙用法，是在一篇论文的源码中发现的。直接看代码 

#假设你总共要分3类，也可设为num_classes

prediction = np.array([0,1,1,2,0,1,2])

truth = np.array([0,1,2,2,0,1,1])

#上面两行假设是你的分类结果和真实分类

hist = np.zeros((3,3))#以类数为维数的矩阵

 

#定义一个函数，要注意label_pred和label_true都必须是np.array()

def _fast_hist(label_pred, label_true, num_classes):

 

    mask = (label_true >= 0) & (label_true < num_classes)

 

    hist = np.bincount(                                    #这是我们要学习的bincount函数

 

        num_classes * label_true[mask].astype(int) +

 

        label_pred[mask], minlength=num_classes ** 2).reshape(num_classes, num_classes)#minlength属性规定了bincount

                                                                                   函数返回的数组的最小长度，用0补齐

    #print(hist)

 

    return hist

#通过下面这个循环，可以计算出我们的分类情况

for lp,lt in zip(prediction,truth):

    hist += _fast_hist(lp.flatten(),lt.flatten(),3)    

    print(hist)

    print('\n\n') 

看结果： 

第一次循环

[[1. 0. 0.]

 [0. 0. 0.]

 [0. 0. 0.]]

 

第二次循环

 

[[1. 0. 0.]

 [0. 1. 0.]

 [0. 0. 0.]]

 

。。。

 

[[1. 0. 0.]

 [0. 1. 0.]

 [0. 1. 0.]]

 

 

 

[[1. 0. 0.]

 [0. 1. 0.]

 [0. 1. 1.]]

 

 

 

[[2. 0. 0.]

 [0. 1. 0.]

 [0. 1. 1.]]

 

 

 

[[2. 0. 0.]

 [0. 2. 0.]

 [0. 1. 1.]]

 

 

 

[[2. 0. 0.]

 [0. 2. 1.]

 [0. 1. 1.]]

 

 通过对比分类结果，可以看出，第一个和第二个的预测和事实都相等，计算出来的数值位于对角线，而当预测和事实不符时，数值落在别处。从_fast_hist函数中可以看到，利用num_classes，通过巧妙的计算，可以使预测正确的结果落在对角线。 

如果直接取对角线， 

iu = np.diag(hist) 

就能得到每一类分类正确的个数。