要按类别计算精确率和召回率，首先需要有一个分类器模型，并且有对应的标签。以下是一个示例解决方法，使用Python的scikit-learn库来计算精确率和召回率：

from sklearn.metrics import precision_score, recall_score

# 假设有一个分类器模型的预测结果和对应的真实标签
predicted_labels = [0, 1, 1, 0, 1, 0]
true_labels = [0, 0, 1, 0, 1, 1]

# 计算精确率
precision = precision_score(true_labels, predicted_labels, average=None)
print("Precision:", precision)

# 计算召回率
recall = recall_score(true_labels, predicted_labels, average=None)
print("Recall:", recall)

上面的代码示例中，predicted_labels是分类器模型的预测结果，true_labels是对应的真实标签。通过调用precision_score和recall_score函数，分别计算了每个类别的精确率和召回率。average=None参数指定了不进行平均操作，返回每个类别的单独精确率和召回率。

输出结果类似于：

Precision: [0.66666667 0.66666667]
Recall: [0.66666667 0.66666667]

其中，Precision: [0.66666667 0.66666667]表示第一个类别的精确率为0.67，第二个类别的精确率也为0.67；Recall: [0.66666667 0.66666667]表示第一个类别的召回率为0.67，第二个类别的召回率也为0.67。