给定一批样本的预测标签、真实标签，以及各类别在总体评估中的权重（权重非负且和为 1），请计算加权精确率、加权召回率与加权 F1 分数。 · 对每个类别 c，统计 TP、FP、FN： · TP：预测为 c 且真实为 c 的样本数 · FP：预测为 c 但真实不为 c 的样本数 · FN：真实为 c 但预测不为 c 的样本数 · 每类指标： · precision_c = TP / (TP + FP)，若分母为 0 则记为 0 · recall_c = TP / (TP + FN)，若分母为 0 则记为 0 · f1_c = 0（当 precision_c + recall_c = 0），否则 f1_c = 2 * precision_c * recall_c / (precision_c + recall_c) · 加权汇总： · precision = Σ weights[c] * precision_c · recall = Σ weights[c] * recall_c · f1Score = Σ weights[c] * f1_c · 输出按四舍五入保留 2 位小数，位数不足补零。 · 类别编号为从 0 开始的连续整数，类别数等于第三行权重的个数。三行样本数长度一致。
· 第 1 行：预测结果 pred，空格分隔 · 第 2 行：真实标签 trueY，空格分隔 · 第 3 行：各类别权重 weights，按类别 0,1,2,... 的顺序给出，空格分隔，且加和为 1
· 一行三个数：precision recall f1Score（空格分隔，均保留 2 位小数）
0 1 2 2 1 0 2 0 0 2 2 1 1 0 0 0 0.2 0.3 0.5
0.52 0.55 0.52
考点：模拟
限制 1 秒 / 256MB ｜ 标准输入输出
推荐方向：模拟
本题切入点
按定义逐类统计 TP/FP/FN，算出每类 precision/recall/f1（分母为 0 记 0），再用给定权重加权求和，输出保留两位小数。
不涉及复杂算法，把题目描述的流程原样翻译成代码逐步执行即可。
思路框架（模拟 通法 · 非本题专属）
实现要点：结构上通常是一个外层循环包住若干 if/else 分支；只要状态定义清楚，正确率很高。
复杂度：时间 O(操作次数) ｜ 空间 O(状态数)
该范式的通法易错点
样例 1：输入 0 1 2 2 1 0 2 0 / 0 2 2 1 1 0 0 0 / 0.2 0.3 0.5 → 输出 0.52 0.55 0.52
类别 0：TP=3, FP=0, FN=1 → precision=1.00, recall=0.75, f1=0.86(约)
类别 1：TP=1, FP=1, FN=1 → precision=0.50, recall=0.50, f1=0.50
类别 2：TP=1, FP=2, FN=1 → precision≈0.33, recall=0.50, f1=0.40
加权：precision=0.52，recall=0.55，f1≈0.52（均四舍五入到 2 位小数）
解析由校招宝本地引擎整理（依据源站考点标签 / 人工判题标注 / 题面规模信号），非官方题解，仅供思路参考。
本题来源：2026年春招-华为-01月07号AI岗。