我在 Python 中创建了两个不同的 MAPE 公式：
error1 = abs((df['y_hat'] - df2['y_predicted']) / df['y_hat'])
mape1 = np.mean(error1)
mape_percentage1 = mape1 * 100
print("MAPE: {:.2f}%".format(mape_percentage1))
和
error2 = abs((df1.sum() - df2.sum()) / df1.sum())
mape2 = np.mean(error2)
mape_percentage2 = mape2 * 100
print("MAPE: {:.2f}%".format(mape_percentage2))
（是的，我知道 np.mean(error2) 对第二个公式没有任何作用，但为了相似起见我添加了它。）
作为参考，这是我正在尝试评估的模型的简化版本：
import pandas as pd
import numpy as np
from statsmodels.tsa.holtwinters import ExponentialSmoothing
df = pd.read_csv('data.csv', index_col=0, parse_dates=True)
data = df[:-7]
actuals = df[-7:]
model = ExponentialSmoothing(data['Sales'], trend='add', seasonality='add', seasonal_periods=7).fit()
fcast=model.forecast(steps=7)
我使用的是第二个公式，因为我不能使用第一个，因为 fcast 是作为一个系列返回的，所以当我尝试使用第一个时，我得到的是 NaN。然后当我意识到我可以使用 .to_frame() 将 fcast 系列转换为数据帧时，我再次尝试了第一个公式，结果得到了一个截然不同的 MAPE（第二个公式的 MAPE 是 .32，而第一个是15.12).
此外，我使用的数据有一个日期时间索引，然后有 1 列历史数据，并且预测以相同的方式返回。
理论上，公式不一样吗？
第一个公式是对每一行进行计算然后取平均值，而第二个公式是一次对整个数据帧进行计算。
例如，如果我有一个数据框，其中的实际值列为：
|索引（日期） |实际情况 |
| ---------- | ------|
| 2020-1-1 | 100 |
| 2020-1-2 | 100 |
| 2020-1-3 | 100 |
和预测值为的数据框：
|索引（日期） |实际情况 |
| ---------- | ------|
| 2020-1-1 | 98 |
| 2020-1-2 | 77 |
| 2020-1-3 | 86 |
然后使用这些公式计算MAPE：
公式一：
100 - 98 = 2
100 - 77 = 23
100 - 86 = 14
2/100 = .02
23/100 = .23
14/100 = .14
.02+.23+.14 = .4
.4/3 = .13
公式2：
100 + 100 + 100 = 300
98 + 77 + 86 = 261
300 - 261 = 39
39/300 = .13
它最终是相同的值。
另外，如果问题的格式很奇怪，我深表歉意。我根据他们的指南正确格式化了它，但出于某种原因，stackoverflow 不允许我发布它，尝试了一个多小时，这是他们接受的格式。