Python 比较布尔值的两个数据帧列
我有两个数据帧,每个数据帧表示实际降雨和预测降雨情况。实际降雨数据帧是恒定的,因为这是一个已知的结果。下面给出了预测降雨数据帧Python 比较布尔值的两个数据帧列,python,pandas,dataframe,Python,Pandas,Dataframe,我有两个数据帧,每个数据帧表示实际降雨和预测降雨情况。实际降雨数据帧是恒定的,因为这是一个已知的结果。下面给出了预测降雨数据帧 actul = index rain Day1 True Day2 False Day3 True Day4 True 预测降雨数据帧如下所示。该数据帧根据使用的预测模型不断变化 prdt = index rain Day1 False Day2 True Day3 True Day4 False 我正在开发上述预测模型的
actul =
index rain
Day1 True
Day2 False
Day3 True
Day4 True
预测降雨数据帧如下所示。该数据帧根据使用的预测模型不断变化
prdt =
index rain
Day1 False
Day2 True
Day3 True
Day4 False
我正在开发上述预测模型的预测精度,如下所示:
#Following computes the number days on which raining was predicted correctly
a = sum(np.where(((actul['rain'] == True)&(prdt['rain']==True)),True,False))
#Following computes the number days on which no-rain was predicted correctly
b = sum(np.where(((actul['rain'] == False)&(prdt['rain']==False)),True,False))
#Following computes the number days on which raining was incorrectly predicted
c = sum(np.where(((actul['rain'] == True)&(prdt['rain']==False)),True,False))
#Following computes the number days on which no-rain was incorrectly predicted
d = sum(np.where(((actul['rain'] == False)&(prdt['rain']==True)),True,False))
predt_per = (a+b)*100/(a+b+c+d)
我上面的代码花费了太多的时间来计算。有没有更好的方法达到上述效果
现在,下面接受的答案解决了我的上述问题。下面给出的代码似乎有问题,因为我得到了所有数据帧的100%
预测百分比。我的代码是:
alldates_df =
index met1_r2 useful met1_r2>0.5
0 0.824113 True True
1 0.903828 True True
2 0.500765 True True
3 0.889757 True True
4 0.890102 True True
5 0.893995 True True
6 0.933482 True True
7 0.872847 True True
8 0.913142 True True
9 0.901424 True True
10 0.910941 True True
11 0.927310 True True
12 0.934538 True True
13 0.946092 True True
14 0.653831 True True
15 0.390702 True False
16 0.878493 True True
17 0.899739 True True
18 0.938481 True True
19 -850.978703 False False
20 -21.802518 False False
met1_detacu = [] # Method1_detection accuracy at various settings
var_flset = np.arange(-5,1,0.01) # various filter settings
for i in var_flset:
pdt_usefl = alldates_df.assign(result=alldates_df['met1_r2']>i)
x = pd.concat([alldates_df['useful'],pdt_usefl['result']],axis=1).sum(1).isin([0,2]).mean()*100
met1_detacu.append(x)
plt.plot(var_flset,met1_detacu)
我的上述代码工作正常,但我得到了,但我在所有可变过滤器设置下都获得了100%的检测精度。这里有点不对劲。
获得的绘图:
预期图为:
@WeNYoBen在您的例子中,假设索引是df的索引,因此我们可以在concat
之后使用sum
,因为True+True==2,False+False==0
pd.concat([df1,df2],axis=1).sum(1).isin([0,2]).mean()*100
25.0
更新
met1_detacu = [] # Method1_detection accuracy at various settings
var_flset = np.arange(-5,1,0.01) # various filter settings
for i in var_flset:
pdt_usefl = alldates_df.assign(result=alldates_df['met1_r2']>i)
x = pd.concat([alldates_df['useful'],pdt_usefl['result']],axis=1).sum(1).isin([0,2]).mean()*100
met1_detacu.append(x)
plt.plot(var_flset,met1_detacu)
看到这一行代码,我感到很惊讶。这就是我想要的预测百分比吗?@Msquare您可以检查您的输出并与之匹配:-)如果您不介意,您是否已经知道这会给出预测百分比。当然,在上面的例子中,a=1、b=0、c=2、d=1和predt\u per=25%
。我感到惊讶和困惑。你是怎么知道的?@Msquare我刚刚读了你的代码,然后在我们知道了与的组合值后,发现这更像是平均问题sum@Msquare嗯,你想给我们看一些关于你后续问题的数据吗?