如何使用pandas/numpy/python数学库计算平均绝对误差（MAE）和平均符号误差（MSE）？
我有一个如下的数据集。在该数据集中，有不同颜色的温度计，给定“真实”或参考温度，根据一些测量方法“方法1”和“方法2”，它们测量的差异有多大 我在计算我需要的两个重要参数时遇到困难，它们是平均绝对误差（MAE）和平均符号误差（MSE）。我想为每个方法使用非NaN值并打印结果 我能够得到一个点，在这个点上，我可以返回一个索引和求和的两列序列，但在这个例子中的问题是，我需要除以求和的方法值的数量，它的变化取决于一行中有多少个NaN。我不想仅仅因为有一个NaN就跳过整行 数 日期 温度计 真实温度 方法1 方法2 0 1/1/2021 红色 0.2 0.2 0.5 1. 1/1/2021 红色 0.6 0.6 0.3 2. 1/1/2021 红色 0.4 0.6 0.23 3. 1/1/2021 绿色 0.2 0.4 楠 4. 1/1/2021 绿色 1. 1. 0.23 5. 1/1/2021 黄色的 0.4 0.4 0.32 6. 1/1/2021 黄色的 0.1 楠 0.4 7. 1/1/2021 黄色的 1.3 0.5 0.54 8. 1/1/2021 黄色的 1.5 0.5 0.43 9 1/1/2021 黄色的 1.5 0.5 0.43 10 1/1/2021 蓝色 0.4 0.3 楠 11 1/1/2021 蓝色 0.8 0.2 0.11 编辑 我想我现在明白了，如果这是你想要的，请告诉我 MAE： 产生如何使用pandas/numpy/python数学库计算平均绝对误差（MAE）和平均符号误差（MSE）？,python,pandas,numpy,math,statistics,Python,Pandas,Numpy,Math,Statistics,我有一个如下的数据集。在该数据集中，有不同颜色的温度计，给定“真实”或参考温度，根据一些测量方法“方法1”和“方法2”，它们测量的差异有多大 我在计算我需要的两个重要参数时遇到困难，它们是平均绝对误差（MAE）和平均符号误差（MSE）。我想为每个方法使用非NaN值并打印结果 我能够得到一个点，在这个点上，我可以返回一个索引和求和的两列序列，但在这个例子中的问题是，我需要除以求和的方法值的数量，它的变化取决于一行中有多少个NaN。我不想仅仅因为有一个NaN就跳过整行 数 日期 温度计 真实温度 方
date Thermometer True_Temperature Method_1 Method_2 M1_ABS_Error M2_ABS_Error MAE
-- -------- ------------- ------------------ ---------- ---------- -------------- -------------- -----
0 1/1/2021 red 0.2 0.2 0.5 0 0.3 0.15
1 1/1/2021 red 0.6 0.6 0.3 0 0.3 0.15
2 1/1/2021 red 0.4 0.6 0.23 0.2 0.17 0.185
3 1/1/2021 green 0.2 0.4 nan 0.2 nan 0.2
4 1/1/2021 green 1 1 0.23 0 0.77 0.385
5 1/1/2021 yellow 0.4 0.4 0.32 0 0.08 0.04
6 1/1/2021 yellow 0.1 nan 0.4 nan 0.3 0.3
7 1/1/2021 yellow 1.3 0.5 0.54 0.8 0.76 0.78
8 1/1/2021 yellow 1.5 0.5 0.43 1 1.07 1.035
9 1/1/2021 yellow 1.5 0.5 0.43 1 1.07 1.035
10 1/1/2021 blue 0.4 0.3 nan 0.1 nan 0.1
11 1/1/2021 blue 0.8 0.2 0.11 0.6 0.69 0.645
date Thermometer True_Temperature Method_1 Method_2 M1_ABS_Error M2_ABS_Error MAE MSE
-- -------- ------------- ------------------ ---------- ---------- -------------- -------------- ----- ------
0 1/1/2021 red 0.2 0.2 0.5 0 0.3 0.15 0.15
1 1/1/2021 red 0.6 0.6 0.3 0 0.3 0.15 -0.15
2 1/1/2021 red 0.4 0.6 0.23 0.2 0.17 0.185 0.015
3 1/1/2021 green 0.2 0.4 nan 0.2 nan 0.2 0.2
4 1/1/2021 green 1 1 0.23 0 0.77 0.385 -0.385
5 1/1/2021 yellow 0.4 0.4 0.32 0 0.08 0.04 -0.04
6 1/1/2021 yellow 0.1 nan 0.4 nan 0.3 0.3 0.3
7 1/1/2021 yellow 1.3 0.5 0.54 0.8 0.76 0.78 -0.78
8 1/1/2021 yellow 1.5 0.5 0.43 1 1.07 1.035 -1.035
9 1/1/2021 yellow 1.5 0.5 0.43 1 1.07 1.035 -1.035
10 1/1/2021 blue 0.4 0.3 nan 0.1 nan 0.1 -0.1
11 1/1/2021 blue 0.8 0.2 0.11 0.6 0.69 0.645 -0.645
date Thermometer True_Temperature Method_1 Method_2 M1_ABS_Error M2_ABS_Error MAE
-- -------- ------------- ------------------ ---------- ---------- -------------- -------------- -----
0 1/1/2021 red 0.2 0.2 0.5 0 0.3 0.15
1 1/1/2021 red 0.6 0.6 0.3 0 0.3 0.15
2 1/1/2021 red 0.4 0.6 0.23 0.2 0.17 0.185
3 1/1/2021 green 0.2 0.4 nan 0.2 nan 0.2
4 1/1/2021 green 1 1 0.23 0 0.77 0.385
5 1/1/2021 yellow 0.4 0.4 0.32 0 0.08 0.04
6 1/1/2021 yellow 0.1 nan 0.4 nan 0.3 0.3
7 1/1/2021 yellow 1.3 0.5 0.54 0.8 0.76 0.78
8 1/1/2021 yellow 1.5 0.5 0.43 1 1.07 1.035
9 1/1/2021 yellow 1.5 0.5 0.43 1 1.07 1.035
10 1/1/2021 blue 0.4 0.3 nan 0.1 nan 0.1
11 1/1/2021 blue 0.8 0.2 0.11 0.6 0.69 0.645
date Thermometer True_Temperature Method_1 Method_2 M1_ABS_Error M2_ABS_Error MAE MSE
-- -------- ------------- ------------------ ---------- ---------- -------------- -------------- ----- ------
0 1/1/2021 red 0.2 0.2 0.5 0 0.3 0.15 0.15
1 1/1/2021 red 0.6 0.6 0.3 0 0.3 0.15 -0.15
2 1/1/2021 red 0.4 0.6 0.23 0.2 0.17 0.185 0.015
3 1/1/2021 green 0.2 0.4 nan 0.2 nan 0.2 0.2
4 1/1/2021 green 1 1 0.23 0 0.77 0.385 -0.385
5 1/1/2021 yellow 0.4 0.4 0.32 0 0.08 0.04 -0.04
6 1/1/2021 yellow 0.1 nan 0.4 nan 0.3 0.3 0.3
7 1/1/2021 yellow 1.3 0.5 0.54 0.8 0.76 0.78 -0.78
8 1/1/2021 yellow 1.5 0.5 0.43 1 1.07 1.035 -1.035
9 1/1/2021 yellow 1.5 0.5 0.43 1 1.07 1.035 -1.035
10 1/1/2021 blue 0.4 0.3 nan 0.1 nan 0.1 -0.1
11 1/1/2021 blue 0.8 0.2 0.11 0.6 0.69 0.645 -0.645
groupbymeandata.groupby('Thermometer', sort = False)[['M1_ABS_Error','M2_ABS_Error']].mean()
M1_ABS_Error M2_ABS_Error
Thermometer
red 0.066667 0.256667
green 0.100000 0.770000
yellow 0.700000 0.656000
blue 0.350000 0.690000
是列中红色温度计的平均值。与其他类似。在每个颜色/列中跳过NAN
要得到MSE（通常意味着均方误差，所以我假设这就是你想要的），你可以这样做
import numpy as np
data["M1_Sqr_Error"]= (data["True_Temperature"]-data["Method_1"])**2
data["M2_Sqr_Error"]= (data["True_Temperature"]-data["Method_2"])**2
data.groupby('Thermometer', sort = False)[['M1_Error','M2_Error']].apply(lambda v: np.sqrt(np.mean(v)))
得到
M1_Error M2_Error
Thermometer
red 0.115470 0.263881
green 0.141421 0.770000
yellow 0.812404 0.769909
blue 0.430116 0.690000
谢谢你的回答！我要找的是平均绝对误差（MAE），它是所有绝对误差的平均值。基本上，你是1。找到你所有的绝对错误，席-X。2.把它们都加起来。3.除以错误数。例如，如果有10个测量值，则除以10。理想情况下，我会通过索引得到每行的MAE值。不仅仅是“全红”，而是每一个单独的红。我遇到的麻烦是如何划分每行的绝对误差和，因为有些“方法”中有NaN。所以在这种情况下，一些可能需要除以2，另一些需要除以1As来表示MSE，我的意思是有符号误差或有符号差@JosephRomo请查看编辑非常感谢！这正是我想要的。非常彻底和清晰的解释。@Piterberg