如何使用For循环处理不同命名的预测变量并批量计算MSE后保存至Excel表格

嘿，我来帮你搞定这个问题！你已经写了大部分代码，现在只需要把这些预测值用循环批量处理，计算MSE，然后把公式和结果一起存到Excel里就行。下面是完整的解决方案：

步骤1：重构代码，用结构化方式管理预测公式和结果 #

与其单独定义14个prediction_i变量，不如把每个预测的名称、公式文本（用于后续存Excel）和计算结果放到一个列表里，这样循环处理起来非常方便：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import math

# 读取数据
df = pd.read_excel(r'D:/Phd_3_yr_start/kanwar_ka_bas/Rabi_19_20_index/testing/testing.xlsx', sheet_name = '9_feb')
productivity = df.iloc[:,0]
wdrvi = df.iloc[:,1]
cvi = df.iloc[:,2]
ndvi = df.iloc[:,3]
tndvi = df.iloc[:,4]
ndwi2 = df.iloc[:,5]

# 定义所有预测项：(预测名称, 公式文本, 预测值)
predictions = [
    ("prediction_1", "3.24 + 0.37*cvi", 3.24 + 0.37*cvi),
    ("prediction_2", "62.15*ndvi + 2.64*cvi + 32.79*ndwi2*tndvi - 28.09 - 22.37*tndvi - 31.29*ndwi2 - 62.19*wdrvi", 
     62.15*ndvi + 2.64*cvi + 32.79*ndwi2*tndvi - 28.09 - 22.37*tndvi - 31.29*ndwi2 - 62.19*wdrvi),
    ("prediction_3", "2.45 + 4.06*ndvi", 2.45 + 4.06*ndvi),
    ("prediction_4", "3.45 + 2.49*ndwi2", 3.45 + 2.49*ndwi2),
    ("prediction_5", "8.48*tndvi - 3.86", 8.48*tndvi - 3.86),
    ("prediction_6", "5.14 + 2.76*wdrvi", 5.14 + 2.76*wdrvi),
    ("prediction_7", "9.46 + 0.37*cvi*ndwi2 + 2.76*cvi*ndwi2*wdrvi - 1.08*cvi - 18.36*wdrvi**2", 
     9.46 + 0.37*cvi*ndwi2 + 2.76*cvi*ndwi2*wdrvi - 1.08*cvi - 18.36*wdrvi**2),
    ("prediction_8", "2.43 + 16.21*ndvi + 0.15*cvi**2 - 2.38*cvi", 
     2.43 + 16.21*ndvi + 0.15*cvi**2 - 2.38*cvi),
    ("prediction_9", "1.85 + 19.37*ndvi + 2.77*cvi*ndwi2 - 2.21*cvi - 17.34*ndvi*ndwi2", 
     1.85 + 19.37*ndvi + 2.77*cvi*ndwi2 - 2.21*cvi - 17.34*ndvi*ndwi2),
    ("prediction_10", "15.09*ndvi - 4.89 - 8.01*wdrvi", 15.09*ndvi - 4.89 - 8.01*wdrvi),
    ("prediction_11", "4.47 + 11.75*ndvi - 0.57*cvi - 3.99*tndvi", 4.47 + 11.75*ndvi - 0.57*cvi - 3.99*tndvi),
    ("prediction_12", "24.69*ndvi + 0.73*cvi - 10.57 - 4.24*tndvi - 19.69*wdrvi", 
     24.69*ndvi + 0.73*cvi - 10.57 - 4.24*tndvi - 19.69*wdrvi),
    ("prediction_13", "ndwi2 + 29.88*ndvi + 1.24*cvi - 17.24 - 4.24*tndvi - 28.64*wdrvi", 
     ndwi2 + 29.88*ndvi + 1.24*cvi - 17.24 - 4.24*tndvi - 28.64*wdrvi),
    ("prediction_14", "36.54*ndvi + 1.15*cvi*ndwi2 - 14.67 - 2.93*ndwi2 - 6.07*tndvi - 28.05*wdrvi", 
     36.54*ndvi + 1.15*cvi*ndwi2 - 14.67 - 2.93*ndwi2 - 6.07*tndvi - 28.05*wdrvi)
]

步骤2：用For循环批量计算MSE并整理结果 #

接下来，我们遍历这个predictions列表，逐个计算每个预测值的MSE，然后把结果存到一个新的列表里，最后转成DataFrame：

# 初始化结果列表
mse_results = []

for pred_name, pred_formula, pred_values in predictions:
    # 计算MSE：(真实值-预测值)的平方的均值
    mse = np.square(np.subtract(productivity, pred_values)).mean()
    # 把结果添加到列表，包含预测名称、公式、MSE值
    mse_results.append({
        "预测名称": pred_name,
        "预测公式": pred_formula,
        "MSE值": round(mse, 4)  # 保留4位小数，让结果更整洁
    })

# 转成DataFrame方便查看和保存
results_df = pd.DataFrame(mse_results)
print(results_df)

步骤3：保存结果到Excel #

最后，把这个结果DataFrame保存到你指定的Excel文件里（可以选择覆盖原文件或者存到新文件）：

# 保存到Excel，这里选择保存到一个新文件，避免覆盖原数据
results_df.to_excel(r'D:/Phd_3_yr_start/kanwar_ka_bas/Rabi_19_20_index/testing/mse_results.xlsx', 
                   sheet_name='MSE_Results', index=False)

为什么这么做？ #

• 可维护性：如果后续要添加或修改预测公式，只需要在predictions列表里调整，不用改循环代码
• 可读性：把预测名称、公式和计算结果绑定在一起，一目了然
• 高效性：批量处理14个预测值，避免重复写14次MSE计算代码

内容的提问来源于stack exchange，提问作者Sudesh Singh Choudhary