股票价格预测LSTM代码报错：AttributeError与IndexError求助

第一个报错：AttributeError: 'list' object has no attribute 'shape' #

原因 #

初始代码中x_train是Python原生列表，列表对象没有shape属性，但Keras的LSTM层需要通过数组的shape来确定输入维度，因此触发该错误。

错误尝试的问题 #

你用np.append将x_train转为numpy数组的方式，会把原本的二维序列结构（每个样本是60个时间步的数据）压缩成一维数组，直接导致后续访问维度时出错。

第二个报错：IndexError: tuple index out of range #

原因 #

通过np.append构建的x_train是一维numpy数组，仅包含shape[0]（总元素数）这一个维度，没有shape[1]，因此访问x_train.shape[1]时触发索引越界。

正确解决方法 #

正确流程是：先通过列表收集序列数据，再转为numpy数组，最后调整数组维度以匹配LSTM的输入要求（输入格式为(样本数量, 时间步长, 特征数量)）。

修正后的完整代码 #

import pandas as pd
import yfinance as web
import numpy as np

from sklearn.preprocessing import MinMaxScaler
from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras.layers import Dense, Dropout
from tensorflow.python.keras.layers.recurrent import LSTM

company = 'TSLA'
start='2012-01-01'
end='2024-03-01'

data = web.download(company, start=start, end=end)

scaler = MinMaxScaler(feature_range=(0,1))
scaled_data = scaler.fit_transform(data['Close'].values.reshape(-1,1))

prediction_days = 60

x_train = []
y_train = []

# 按原逻辑收集序列数据
for x in range(prediction_days, len(scaled_data)):
    x_train.append(scaled_data[x-prediction_days:x, 0])
    y_train.append(scaled_data[x, 0])

# 将列表转为numpy数组
x_train, y_train = np.array(x_train), np.array(y_train)

# 调整维度适配LSTM输入：(样本数, 时间步长, 特征数)
x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))

model = Sequential()

# 此时x_train.shape[1]为时间步长60，输入维度合法
model.add(LSTM(units = 50, return_sequences=True, input_shape=(x_train.shape[1], 1)))
model.add(Dropout(0.2))
model.add(LSTM(units = 50, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units = 50))
model.add(Dropout(0.2))
# 补充输出层（原代码缺失，否则模型无法完成预测）
model.add(Dense(units=1))

关键修正点 #

1. 保留原列表收集序列的逻辑，避免破坏数据的二维结构
2. 转numpy数组后，通过np.reshape将x_train从(样本数, 60)调整为(样本数, 60, 1)，满足LSTM对三维输入的要求
3. 补充最后的Dense输出层，确保模型具备预测输出的能力

内容的提问来源于stack exchange，提问作者Subbsos