如何使用sklearn.mean_absolute_error为数据集每行生成MAE列？

现有数据集如下：

要为每个商品（每行）计算实际值与预测值的平均绝对误差，可通过以下代码实现：

import pandas as pd
from sklearn.metrics import mean_absolute_error

# 构造数据集
data = {
    'Name': ['Banana', 'Apple'],
    'Jan Qty': [10, 5],
    'Feb Qty': [5, 3],
    'Mar Qty': [23, 32],
    'Jan Fcst': [7, 8],
    'Feb Fcst': [4, 7],
    'Mar Fcst': [24, 17]
}
df = pd.DataFrame(data)

# 定义逐行计算MAE的函数
def calculate_mae(row):
    y_true = [row['Jan Qty'], row['Feb Qty'], row['Mar Qty']]
    y_pred = [row['Jan Fcst'], row['Feb Fcst'], row['Mar Fcst']]
    return mean_absolute_error(y_true, y_pred)

# 添加MAE列
df['MAE'] = df.apply(calculate_mae, axis=1)

print(df)

运行结果 #

执行上述代码后，得到带MAE列的数据集：

计算说明 #

• Banana的MAE：(|10-7| + |5-4| + |23-24|)/3 = (3+1+1)/3 ≈ 2.0
• Apple的MAE：(|5-8| + |3-7| + |32-17|)/3 = (3+4+15)/3 ≈ 9.0

内容的提问来源于stack exchange，提问作者Deryansyah