Python中移除测试标签y_test零值解决MAPE计算inf问题及准确率优化

针对你已经构造的合并数组erry，不需要逐一定位零值索引做删除操作，用numpy布尔索引就能快速筛掉y_test为0的配对条目：

• 第一步：构造有效位置掩码，识别erry第二行（存储y_test的行）中的非零值位置
  valid_mask = erry[1] != 0
• 第二步：用掩码按列筛选合并数组（数组每一列对应一组「误差值、测试标签值」的配对），得到无零值的配对数据集
  filtered_erry = erry[:, valid_mask]

筛选完成后，filtered_erry[0]是和非零标签一一对应的误差值，filtered_erry[1]是清理后的非零测试标签，直接代入原MAPE计算逻辑就不会出现无穷值。

操作提示：如果不构造合并数组也可以直接实现同样的效果，用valid_idx = np.where(y_test != 0)[0]拿到非零标签的索引，再分别从errors和y_test中索引提取对应值即可，比合并数组再筛选的流程更精简。

原方案使用的标准MAPE指标本身存在数学局限性，要求真实值不能为0才能逐点计算误差率，除了直接删除零值样本的操作，还有三类鲁棒性更强的方案可以适配这类存在零值标签的场景：

• 对称MAPE（sMAPE）：将逐点计算的分母替换为真实值和预测值的绝对值平均值，只要预测值和真实值不同时为0就不会出现除零错误。计算逻辑为：
  smape = np.mean(2 * np.abs(errors) / (np.abs(y_test) + np.abs(y_pred) + 1e-8)) * 100
  最终准确率换算为100 - smape，对小值、零值样本的敏感度远低于标准MAPE。
• 加权MAPE（wMAPE）：跳过逐点计算单样本误差率的步骤，先汇总所有非零标签对应的绝对误差总和，再除以所有非零标签的总和计算整体误差率。计算逻辑为：

  valid_idx = y_test != 0
  wmape = (np.sum(np.abs(errors[valid_idx])) / np.sum(y_test[valid_idx])) * 100
  

  最终准确率为100 - wmape，从根源上避免了逐点除零的问题，同时不会因为单样本误差过大拉高整体均值，对样本分布波动的鲁棒性更强。
• 平滑修正版MAPE：如果一定要保留原有的逐点计算逻辑，可以给分母增加一个极小的平滑偏移值，从计算规则上规避除零问题：
  mape = 100 * np.abs(errors) / (np.abs(y_test) + 1e-8)
  这种方案不需要删除任何样本，就算标签值为0，也能正常计算对应样本的误差率，不会出现inf值拉垮整体计算结果。

注意事项：如果测试标签中的零值是真实的有效观测，并非缺失值，直接删除这类样本会引入统计偏差，这种场景下优先选择sMAPE、wMAPE或者带平滑修正的MAPE方案，不要直接剔除零值样本。

内容的提问来源于stack exchange，提问作者HoOman