也可以复杂点，用新增列布尔值去逻辑运算，多条件判断，找到不符合情况的样本的布尔值，然后去索引。

df[df.assign(up=df.Upperdf.actual).assign(bo=lambda d:d[['up','lo']].any(axis=1))['bo']]

 区间估计指标

这里给出论文里面的四个区间估计的评价指标公式:

PICP：

 PINAW：

 CWC：

 还有一个新指标PIEE：

 他们各有各的优缺点，要结合起来看，

下面给出他们的计算代码函数：

import numpy as np
import pandas as pddef PICP(df_alltau,y_test,u=0.9):df=pd.DataFrame()df['Low']=np.array(df_alltau.T.min())df['Upper']=np.array(df_alltau.T.max())df['actual']=np.array(y_test)picp=len(df.query('Lowdf.actual).up].assign(inter2=df.Low-df.actual)['inter2'].sum()piee=(eup+elo)/(len(y_test)*rax)return picp,pinaw,cwc,piee

 df_alltau就是预测的区间估计值（对一个y预测了很多可能性），y_test就是测试集数据。

u是CWC的PICP阈值，这里取了0.9。  aita为了方便取1了。

最难整的就是PIEE，我筛选了很久.....

点估计评价指标

回归问题的点估计评价指标很常用，通常是MAE,RMSE,MAPE,r/R^{2}等,给出他们四个的计算代码：

import numpy as np
import pandas as pd
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_squared_error,r2_scoredef evaluation(y_test, y_predict):y_test=np.array(y_test);y_predict=np.array(y_predict)mae = mean_absolute_error(y_test, y_predict)mse = mean_squared_error(y_test, y_predict)rmse = np.sqrt(mean_squared_error(y_test, y_predict))mape=(abs(y_predict -y_test)/ y_test).mean()r_2=r2_score(y_test, y_predict)return mae, rmse, mape,r_2