File size: 10,891 Bytes
a19818c | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 | import pandas as pd
import numpy as np
from scipy.stats import spearmanr, kendalltau, pearsonr
import os
import argparse
def read_txt_scores(file_path):
"""读取txt文件中的分数"""
scores = {}
video_keys = set()
video_scores_list = [] # 保持原始顺序的列表
try:
with open(file_path, 'r') as f:
for line in f:
parts = line.strip().split(',')
if len(parts) == 2:
video_name = parts[0]
try:
score = float(parts[1])
scores[video_name] = score
video_keys.add(video_name)
video_scores_list.append((video_name, score))
# 同时存储不带路径的视频名（用于匹配）
base_name = os.path.basename(video_name)
if base_name.endswith('.mp4'):
scores[base_name] = score
video_keys.add(base_name)
# 不带扩展名的版本
scores[base_name[:-4]] = score
video_keys.add(base_name[:-4])
except ValueError:
print(f"跳过无效分数: {parts[1]} for {video_name}")
except Exception as e:
print(f"读取txt文件时出错: {e}")
print(f"从{file_path}读取了{len(video_keys)}个独特视频的分数")
return scores, video_scores_list
def extract_video_name(name):
"""从视频路径中提取基本视频名，以便更好地匹配"""
if isinstance(name, str):
# 尝试不同的格式化方式
base_name = os.path.basename(name)
# 移除扩展名
if base_name.endswith('.mp4'):
return base_name[:-4]
return base_name
return str(name)
def calculate_correlations(txt_scores_list, xlsx_df):
"""计算相关系数"""
# 获取xlsx文件中的模型名称列表
models = xlsx_df.columns.tolist()
# 初始化结果字典
results = {
'SRCC': {},
'KRCC': {},
'PLCC': {}
}
# 创建一个仅包含txt分数的列表
txt_scores = [score for _, score in txt_scores_list]
# 检查数量是否匹配
print(f"TXT分数数量: {len(txt_scores)}")
print(f"XLSX文件行数: {xlsx_df.shape[0]}")
if len(txt_scores) != xlsx_df.shape[0]:
print(f"警告: TXT分数数量({len(txt_scores)})与XLSX行数({xlsx_df.shape[0]})不匹配")
# 如果不匹配，我们只使用最小的那个
min_count = min(len(txt_scores), xlsx_df.shape[0])
print(f"使用前{min_count}个数据点进行计算")
txt_scores = txt_scores[:min_count]
xlsx_df = xlsx_df.iloc[:min_count, :]
# 为每个模型计算相关系数
for model in models:
print(f"\n处理模型: {model}")
# 获取当前模型的所有有效分数
model_series = xlsx_df[model]
# 跳过NaN值
valid_indices = model_series.dropna().index
model_scores = model_series.dropna().values.tolist()
# 提取对应的txt分数
txt_model_scores = [txt_scores[i] for i in valid_indices if i < len(txt_scores)]
valid_count = len(txt_model_scores)
print(f"模型 {model}: 有效数据点数量 = {valid_count}")
# 检查是否有足够的有效数据点
if valid_count > 1: # 至少需要2个点来计算相关系数
# 计算SRCC - Spearman相关系数（秩相关）
srcc, p_srcc = spearmanr(txt_model_scores, model_scores)
results['SRCC'][model] = srcc
# 计算KRCC - Kendall相关系数（秩相关）
krcc, p_krcc = kendalltau(txt_model_scores, model_scores)
results['KRCC'][model] = krcc
# 计算PLCC - Pearson相关系数（线性相关）
plcc, p_plcc = pearsonr(txt_model_scores, model_scores)
results['PLCC'][model] = plcc
print(f" SRCC={srcc:.4f} (p={p_srcc:.4f}), KRCC={krcc:.4f} (p={p_krcc:.4f}), PLCC={plcc:.4f} (p={p_plcc:.4f})")
# 打印前几个数据点，帮助验证
print(f" 前5个数据点示例 (TXT分数 vs {model}分数):")
for i in range(min(5, valid_count)):
print(f" {txt_model_scores[i]:.2f} vs {model_scores[i]:.2f}")
else:
print(f"警告: 模型 {model} 没有足够的有效数据点进行相关性计算")
results['SRCC'][model] = np.nan
results['KRCC'][model] = np.nan
results['PLCC'][model] = np.nan
return results
def main():
# 设置命令行参数
parser = argparse.ArgumentParser(description='计算TXT文件和XLSX文件之间的相关系数')
parser.add_argument('--txt', type=str, default='text.txt', help='TXT文件路径')
parser.add_argument('--xlsx', type=str, default='score.xlsx', help='XLSX文件路径')
parser.add_argument('--output', type=str, default='correlation_results.csv', help='输出CSV文件路径')
args = parser.parse_args()
# 读取txt文件
txt_file = args.txt
txt_scores, txt_scores_list = read_txt_scores(txt_file)
# 检查是否接近3857
unique_videos = set()
for key in txt_scores.keys():
if '/' in key or '\\' in key:
unique_videos.add(key)
print(f"TXT文件中的唯一视频数量: {len(unique_videos)}")
if abs(len(unique_videos) - 3857) > 10:
print(f"警告: txt文件中的唯一视频数量({len(unique_videos)})与预期的3857相差较大")
# 读取xlsx文件
xlsx_file = args.xlsx
try:
# 读取xlsx文件，设置第一行为列名
xlsx_df = pd.read_excel(xlsx_file)
print(f"从{xlsx_file}读取了{xlsx_df.shape[0]}行和{xlsx_df.shape[1]}列")
# 检查xlsx文件格式
if xlsx_df.shape[1] < 6:
print(f"警告: xlsx文件应该有6列模型，但只发现了{xlsx_df.shape[1]}列")
# 前几行和列的预览
print("\n前5行数据预览:")
print(xlsx_df.head())
# 列名称列表
all_columns = xlsx_df.columns.tolist()
print(f"\n所有列名称: {all_columns}")
# 检查是否包含6个模型列
print(f"发现{len(all_columns)}个模型列: {', '.join(all_columns)}")
# 分析缺失值
na_counts = xlsx_df.isna().sum()
print("\n各模型缺失值数量:")
for col in xlsx_df.columns:
print(f" {col}: {na_counts[col]}")
# 计算相关系数
correlations = calculate_correlations(txt_scores_list, xlsx_df)
# 创建结果DataFrame
result_df = pd.DataFrame({
'Model': [],
'SRCC': [],
'KRCC': [],
'PLCC': []
})
# 显示结果
print("\n=== 相关系数结果 ===")
for model in correlations['SRCC'].keys():
srcc = correlations['SRCC'].get(model, np.nan)
krcc = correlations['KRCC'].get(model, np.nan)
plcc = correlations['PLCC'].get(model, np.nan)
result_df = pd.concat([result_df, pd.DataFrame({
'Model': [model],
'SRCC': [srcc],
'KRCC': [krcc],
'PLCC': [plcc]
})], ignore_index=True)
# 打印详细结果
print(result_df.to_string(index=False, float_format=lambda x: f"{x:.4f}" if not np.isnan(x) else "NaN"))
# 保存结果到CSV
result_df.to_csv(args.output, index=False)
print(f"\n结果已保存到 {args.output}")
except Exception as e:
print(f"处理xlsx文件时出错: {e}")
import traceback
traceback.print_exc()
def process_all_txt_files():
"""处理所有TXT文件与xlsx文件的相关性"""
txt_files = [f for f in os.listdir('.') if f.endswith('.txt')]
xlsx_file = 'score.xlsx'
if not os.path.exists(xlsx_file):
print(f"错误: 找不到XLSX文件 {xlsx_file}")
return
all_results = {}
for txt_file in txt_files:
print(f"\n===== 处理文件: {txt_file} =====")
try:
# 临时修改sys.argv以传递参数给main函数
import sys
old_argv = sys.argv
output_file = f"correlation_results_{os.path.splitext(txt_file)[0]}.csv"
sys.argv = ['', f'--txt={txt_file}', f'--xlsx={xlsx_file}', f'--output={output_file}']
# 运行主函数
main()
# 恢复sys.argv
sys.argv = old_argv
# 读取结果并合并
if os.path.exists(output_file):
results = pd.read_csv(output_file)
all_results[txt_file] = results
print(f"已加载结果文件: {output_file}")
else:
print(f"警告: 未找到结果文件 {output_file}")
except Exception as e:
print(f"处理文件 {txt_file} 时出错: {e}")
import traceback
traceback.print_exc()
# 合并所有结果
if all_results:
print(f"\n合并 {len(all_results)} 个结果文件")
combined_results = pd.DataFrame()
for txt_file, results in all_results.items():
file_base = os.path.splitext(txt_file)[0]
if 'Model' in results.columns:
# 重命名列以区分不同txt文件的结果
renamed_cols = {col: f'{col}_{file_base}' for col in results.columns if col != 'Model'}
tmp_results = results.rename(columns=renamed_cols)
if combined_results.empty:
combined_results = tmp_results
else:
combined_results = pd.merge(combined_results, tmp_results, on='Model')
# 保存合并结果
if not combined_results.empty:
combined_results.to_csv('all_correlation_results.csv', index=False)
print("\n所有结果已合并保存到 all_correlation_results.csv")
else:
print("\n警告: 没有可合并的结果")
else:
print("\n警告: 没有可用的结果文件进行合并")
if __name__ == "__main__":
# 检查是否存在多个txt文件
txt_files = [f for f in os.listdir('.') if f.endswith('.txt')]
if len(txt_files) > 1:
print(f"检测到多个TXT文件: {txt_files}")
process_all_txt_files()
else:
main() |