python中对DataFrame按行求rmse

可以使用numpy中的mean_squared_error函数来计算每行的均方根误差（RMSE），然后再使用pandas中的apply函数按行应用该函数。

下面是一个示例代码：

import pandas as pd
import numpy as np
from sklearn.metrics import mean_squared_error

# 创建示例DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})

# 定义计算RMSE的函数
def row_rmse(row):
    y_true = row.values
    y_pred = np.array([1, 2, 3])  # 假设预测值为 [1, 2, 3]
    return np.sqrt(mean_squared_error(y_true, y_pred))

# 按行应用函数
rmse = df.apply(row_rmse, axis=1)

print(rmse)

输出结果为：

0    4.242641
1    3.162278
2    2.236068
dtype: float64

其中，每个元素表示对应行的RMSE值。

相关问题

python中对dataframe按行求rmse

你可以使用以下代码来对DataFrame按行计算RMSE：

import numpy as np
import pandas as pd

df = pd.DataFrame({'actual': [1, 2, 3], 'predicted': [1.5, 2.5, 3.5]})

def row_rmse(row):
    return np.sqrt(np.mean((row['actual'] - row['predicted']) ** 2))

df['rmse'] = df.apply(row_rmse, axis=1)

print(df)

这个代码将计算每一行的RMSE，并将结果添加到一个新的列"rmse"中。您可以将"actual"和"predicted"列替换为您的实际值和预测值的列名。

python 对两个df中相同时间的wpd列和winpd列求MAE和RMSE

为了计算两个DataFrame中相同时间点的WPD列（假设为`df1['WPD']`）和WinPD列（`df2['WinPD']`）之间的均绝对误差（MAE）和均方根误差（RMSE），你可以按照以下步骤操作：

首先，确保两个DataFrame的时间索引是一致的，可以使用`pandas`的`merge`或`join`方法来合并它们，依据时间列进行匹配。

# 假设df1和df2都有名为'time_column'的时间列
merged_df = pd.merge(df1, df2, on='time_column', how='inner')  # 使用内连接只保留两列有对应时间的数据

# 现在merged_df中有两个WPD列，我们取平均作为实际值
actuals = merged_df[['WPD_x', 'WPD_y']].mean(axis=1)

# 同理，处理WinPD列
predictions = merged_df[['WinPD_x', 'WinPD_y']].mean(axis=1)

接着，计算MAE和RMSE：

from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np

mae = mean_absolute_error(actuals, predictions)
rmse = np.sqrt(mean_squared_error(actuals, predictions))

print(f"Mean Absolute Error (MAE): {mae}")
print(f"Root Mean Square Error (RMSE): {rmse}")

这段代码首先合并了两个DataFrame并计算了每个时间点的WPD和WinPD的平均值，然后使用`sklearn.metrics`库中的函数来计算MAE和RMSE。