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。