本次是写论文代码区间估计评价指标有感.....
数据框有两列的时候，我们想筛选A列大于B列的样本出来时，只需要用布尔值索引就行：
df[df['A']>df['B]]
可是多条件的筛选的时候怎么办，比如我需要A大于B列，还有A小于C列。
可以写多条件的索引:
df[(df['actual']>df['Low']) &(df['actual']<df['Upper'])]
在做区间估计的评价指标的时候，我想找出预测的真实值小于最大值和大于最小值的情况的个数，可以用上面的方法，还可以用一个更加简单的方法：
df.query('Low<actual<Upper')
也可以复杂点，用新增列布尔值去逻辑运算，多条件判断，找到不符合情况的样本的布尔值，然后去索引。
df[df.assign(up=df.Upper<df.actual).assign(lo=df.Low>df.actual).assign(bo=lambda d:d[['up','lo']].any(axis=1))['bo']]
区间估计指标
这里给出论文里面的四个区间估计的评价指标公式:
PICP：
PINAW：
CWC：
还有一个新指标PIEE：
他们各有各的优缺点，要结合起来看，
下面给出他们的计算代码函数：
import numpy as npimport pandas as pddef PICP(df_alltau,y_test,u=0.9):df=pd.DataFrame()df['Low']=np.array(df_alltau.T.min())df['Upper']=np.array(df_alltau.T.max())df['actual']=np.array(y_test)picp=len(df.query('Low<actual<Upper'))/len(y_test)df['inter']=df['Upper']-df['Low']rax=df['actual'].max()-df['actual'].min()pinaw=df['inter'].mean()/raxgama=np.greater(0,(picp-u))*1#print(gama)cwc=pinaw*(1+gama*np.exp(-(picp-u)))eup=df[df.assign(up=df.Upper<df.actual).up].assign(inter2=df.actual-df.Upper)['inter2'].sum()elo=df[df.assign(up=df.Low>df.actual).up].assign(inter2=df.Low-df.actual)['inter2'].sum()piee=(eup+elo)/(len(y_test)*rax)return picp,pinaw,cwc,piee
df_alltau就是预测的区间估计值（对一个y预测了很多可能性），y_test就是测试集数据。
u是CWC的PICP阈值，这里取了0.9。 aita为了方便取1了。
最难整的就是PIEE，我筛选了很久.....
点估计评价指标
回归问题的点估计评价指标很常用，通常是MAE,RMSE,MAPE,r/R^{2}等,给出他们四个的计算代码：
import numpy as npimport pandas as pdfrom sklearn.metrics import mean_absolute_errorfrom sklearn.metrics import mean_squared_error,r2_scoredef evaluation(y_test, y_predict):y_test=np.array(y_test);y_predict=np.array(y_predict)mae = mean_absolute_error(y_test, y_predict)mse = mean_squared_error(y_test, y_predict)rmse = np.sqrt(mean_squared_error(y_test, y_predict))mape=(abs(y_predict -y_test)/ y_test).mean()r_2=r2_score(y_test, y_predict)return mae, rmse, mape,r_2
如果觉得《Pandas数据分析33——数据多条件筛选(点估计和区间估计评价指标)》对你有帮助，请点赞、收藏，并留下你的观点哦！
