刚好要用到多分类计算map的方法对模型结果进行评价，结果搜到的全是方法介绍，没有直接可用的代码，就自己按照其文献的方法进行代码编写，现在分享给大家，希望对大家有所帮助

计算方法

下面是截取的文章中对于map的描述：

然后网上对于这种方法给了一个测试样例的情况：

通过这个图我们可以知道id表示这些标签的序号，也可以知道图中一共有20个标签种类。而socre则是表示表示这些预测标签的概率，gt_label其实就是correct(k)，只有当该预测标签是测试样例的真实标签时，值才为1。因此，图中表明该测试样例一共6个真实标签。

需要对上述结果按照score的大小进行降序排序

我们以top-5举例

通过该图我们可以看出，TP=2，因为gt_label值为1的标签一共有两个，而真实标签一共有6个，因此也就有4个真实标签没有在里面（没有被预测到），所以我们得知FN=4，也就是有4个标签没有被召回。而剩下三个gt_label值为0的标签则是属于预测有该标签，但实际并无改标签的情况，因此FP=3。可以肯定的是，如果我们要计算top-k的P值，总有FP+TP=k,FN=m-TP,m为公式中样例真实标签的个数。因此，top-5的P和R我们就可以求得。

P=2/(2+3)=2/5

我们很容易就能看出分母其实就是k，即我们可以很容易的理解成

P=截止到k被预测到的真实标签的个数/k

R=2/(2+4)=2/6

我们也很容易的就能看出，分母其实是预测样例真实标签的总数量，即m，所以式子可以总结成

R=截止到k被预测到的真实标签的个数/m

另外，我们可以发现，P最大等于1

其他的top-k的计算方法请自行计算

得到P，其实AP就好算了，AP=gt_label*P=correct(k)*P

还有一个很重要的点，我们需要清楚，在计算AP的时候，由于k的取值是从1到多标签的总数，所以我们需要将每个k对应P*correct(k)都相加，但是仔细观察我们就会发现，除了真实标签的correct=1,其他的correct的值均为0，因此我们其实只需要计算截止到真实标签的k对应的P就好，这里用例子解释比较容易理解，比如某个样例有两个标签，L1、L2，设它们的索引为I1、I2（注意索引是从1开始的，因为k是从1开始的），且我们规定，L1比L2的score(预测概率)要高，因此I1比I2要小。通过前面的推理我们很容易就能推出来，P1=1/I1，P2=2/I2,AP=(1/I1+2/I2)/2。注意，在实际编写代码中，I1和I2的顺序千万不要混。

代码

import xlrd
import numpy as np
inpath = r'a.xls'


def extract(inpath,sheet_index,label_index,col_index):
    # data = pd.read_excel(inpath)
    data = xlrd.open_workbook(inpath, encoding_override='utf-8')
    table = data.sheets()[sheet_index]  # 选定表
    nrows = table.nrows  # 获取行号
    ncols = table.ncols  # 获取列号
    label = []
    prb = []
    for i in range(1, nrows):  # 第0行为表头
        alldata = table.row_values(i)  # 循环输出excel表中每一行，即所有数据
        label_value=alldata[label_index]
        label.append(label_value)
        result = alldata[col_index]  # 取出表中第二列数据
        prb.append(result)
    return label,prb



def ap_statis(y_true1,label):
    # 计算单个类的ap
    ap0_num1 = 0
    ap0_num2 = 0
    ap0 = []
    for i in range(0,len(y_true1)):
        ap0_num1 =ap0_num1+1
        if y_true1[i] == label:
            ap0_num2 = ap0_num2+1
            ap_precision = ap0_num2/ap0_num1
            ap0.append(ap_precision)
        else:
            continue
    mean0 = np.mean(ap0)
    return mean0


def map(inpath):
    ap_list = []
    for i in range(0,4):
        (y_true, y_pred) = extract(inpath, 0, i, i)#这里其实重复取了一列，用到的其实只有ytrue
        label = i
        ap = ap_statis(y_true,label)
        ap_list.append(ap)
    map = np.mean(ap_list)
    return map

print('map:',map(inpath))

提示：xls文件中每一列表示每一类按照score排序完的label，因为我是四分类，所以设置的是4循环，其他的可以根据自己情况自行修改。

上述方法介绍转载自此处