如何在Pandas中计算MAE（平均绝对误差）及相关修正指标？

这里是完全贴合你给出公式的代码实现：

import pandas as pd
from typing import Tuple

def information_loss(df: pd.DataFrame, df_protected: pd.DataFrame) -> Tuple[float, float]:
    # 计算原始数据与受保护数据的MAE
    n, d = df.shape
    absolute_diff = df.subtract(df_protected).abs()
    mae = absolute_diff.sum().sum() / (n * d)
    
    # 计算相关矩阵的MAE-corr
    df_cor = df.corr()
    df_protected_cor = df_protected.corr()
    corr_absolute_diff = df_cor.subtract(df_protected_cor).abs()
    mae_corr = corr_absolute_diff.sum().sum() / (d ** 2)
    
    return mae, mae_corr

# 调用示例（假设你已定义df1和df1_noise_1）
mae_result, mae_corr_result = information_loss(df1, df1_noise_1)
print(f"MAE: {mae_result:.4f}")
print(f"MAE-corr: {mae_corr_result:.4f}")

关键步骤解释 #

• 数据MAE计算：
  1. 用df.subtract(df_protected)计算两个数据框对应元素的差值，再通过.abs()取绝对值
  2. 两次调用.sum()：第一次按列求和，第二次将所有列的总和相加，得到所有元素的绝对差总和
  3. 最后除以总元素数n*d（n为行数，d为列数），得到平均绝对误差
• 相关矩阵MAE-corr计算：
  1. 分别对原始数据框和受保护数据框调用.corr()，生成各自的相关矩阵
  2. 重复差值取绝对值、求和的操作，得到相关矩阵元素的绝对差总和
  3. 最后除以相关矩阵的总元素数d²（相关矩阵为d×d维度），得到MAE-corr
• 函数通用性优化：替换原代码中的全局变量为函数参数，让函数可以复用在任意一对原始/受保护数据框上

内容的提问来源于stack exchange，提问作者Geralt_P