python计算precision@k、recall@k和f1_score@k

sklearn.metrics中的评估函数只能对同一样本的单个预测结果进行评估，如下所示：

from sklearn.metrics import classification_report

y_true = [0, 5, 0, 3, 4, 2, 1, 1, 5, 4]
y_pred = [0, 2, 4, 5, 2, 3, 1, 1, 4, 2]

print(classification_report(y_true, y_pred))

而我们经常会遇到需要对同一样本的top-k个预测结果进行评估的情况，此时算法针对单个样本的预测结果是一个按可能性排序的列表，如下所示：

y_true = [0, 5, 0, 3, 4, 2, 1, 1, 5, 4]
y_pred = [[0, 0, 2, 1, 5],
     [2, 2, 4, 1, 4],
     [4, 5, 1, 3, 5],
     [5, 4, 2, 4, 3],
     [2, 0, 0, 2, 3],
     [3, 3, 4, 1, 4],
     [1, 1, 0, 1, 2],
     [1, 4, 4, 2, 4],
     [4, 1, 3, 3, 5],
     [2, 4, 2, 2, 3]]

针对以上这种情况，我们要如何评估算法的好坏呢？我们需要precision@k、recall@k和f1_score@k等指标，下面给出计算这些指标的函数及示例。

from _tkinter import _flatten


# 统计所有的类别
def get_unique_labels(y_true, y_pred)