Question

我需要一个MAPE函数，但是我无法在标准软件包中找到它......下面，我实现了这个函数。

def mape(actual, predict): 
    tmp, n = 0.0, 0
    for i in range(0, len(actual)):
        if actual[i] <> 0:
            tmp += math.fabs(actual[i]-predict[i])/actual[i]
            n += 1
    return (tmp/n)

我不喜欢它，它在速度方面超级不理想。如何将代码重写为Pythonic方式并提高速度？

Answer 1

这是masking -

的一种矢量化方法

def mape_vectorized(a, b): 
    mask = a <> 0
    return (np.fabs(a[mask] - b[mask])/a[mask]).mean()

在计算masking之后division可能是一个速度更快的

def mape_vectorized_v2(a, b): 
    mask = a <> 0
    return (np.fabs(a - b)/a)[mask].mean()

运行时测试 -

In [217]: a = np.random.randint(-10,10,(10000))
     ...: b = np.random.randint(-10,10,(10000))
     ...: 

In [218]: %timeit mape(a,b)
100 loops, best of 3: 11.7 ms per loop

In [219]: %timeit mape_vectorized(a,b)
1000 loops, best of 3: 273 µs per loop

In [220]: %timeit mape_vectorized_v2(a,b)
1000 loops, best of 3: 220 µs per loop

Answer 2

使用def customReduce[CC1[A] <: Iterable[A], CC2[A] <: Iterable[A]](foos: CC1[Foo[CC2]])(implicit factory: Factory[Int, CC1[Int]] ): Foo[CC1] = Foo(foos.flatMap(_.foo).to(factory)) println(customReduce(Seq(Foo(Seq(1))))) // Foo(List(1))掩盖被零除的另一种类似方法是：

masked_Arrays

如何在Python中优化MAPE代码？

2 个答案: