AWS Lambda容器中Scipy MILP脚本报错：遍历0维数组异常

1. 严格对齐依赖与Python版本 #

• 本地执行 pip freeze > requirements-local.txt，将其与容器部署用的requirements.txt对比，重点核对scipy、numpy、pandas的精确版本——不同小版本的sparse模块可能存在行为差异。
• 在Lambda代码的初始化阶段添加版本打印逻辑，输出到CloudWatch：

  import scipy, numpy, pandas
  print(f"scipy version: {scipy.__version__}")
  print(f"numpy version: {numpy.__version__}")
  print(f"pandas version: {pandas.__version__}")
  

• 确保容器使用的基础镜像与本地Python版本完全匹配，比如本地用Python 3.9，容器就对应使用public.ecr.aws/lambda/python:3.9。

2. 打印关键变量的详细状态 #

不要只打印变量类型，要输出能定位问题的具体信息：

• 针对ConVec_StaticAllFixed：

  print(f"DataFrame shape: {ConVec_StaticAllFixed.shape}")
  print(f"DataFrame dtypes: {ConVec_StaticAllFixed.dtypes}")
  print(f"DataFrame sample rows: {ConVec_StaticAllFixed.head(3).to_dict()}")
  

• 转换为稀疏矩阵后，检查中间结果：

  sparse_mat = scipy.sparse.csr_matrix(ConVec_StaticAllFixed.values)
  print(f"Sparse matrix shape: {sparse_mat.shape}")
  print(f"Sparse matrix non-zero count: {sparse_mat.nnz}")
  

• 核对scipy.sparse.vstack的输入列表，逐个打印元素状态：

  stack_inputs = [your_sparse_mat_1, your_sparse_mat_2]  # 替换为实际的堆叠列表
  for idx, mat in enumerate(stack_inputs):
      print(f"Stack element {idx} shape: {mat.shape}")
      print(f"Stack element {idx} type: {type(mat)}")
  

3. 本地用Docker模拟Lambda容器环境 #

• 拉取与部署一致的Lambda基础镜像，在本地容器内安装依赖并运行代码，尝试复现报错：

  docker pull public.ecr.aws/lambda/python:3.9
  docker run -it --rm -v $(pwd):/var/task public.ecr.aws/lambda/python:3.9 bash
  # 在容器内执行pip install -r requirements.txt，然后运行你的脚本
  

• 模拟Lambda的文件系统限制：仅在/tmp目录写入文件，避免依赖本地其他只读目录。

4. 检查数据加载逻辑的一致性 #

• 确认本地与Lambda中数据来源、加载方式完全一致：比如本地用本地CSV，Lambda用S3加载时，要检查编码、分隔符、空值处理规则是否相同。
• 打印加载后数据的关键统计量，对比本地与Lambda结果，确认数据没有变形：

  print(f"DataFrame value sum: {ConVec_StaticAllFixed.values.sum()}")
  

5. 拆分调试vstack调用 #

把堆叠操作拆分为最小单元，逐步定位问题点：

• 先尝试堆叠两个矩阵，看是否报错；如果报错，再单独检查每个矩阵的有效性。
• 若堆叠多个矩阵，从两个开始逐步增加数量，直到触发报错，锁定问题来源。

内容的提问来源于stack exchange，提问作者CoolGuyHasChillDay