首先，咱们来拆解这个错误的根源：

RuntimeError: index 1 is out of bounds for dimension 1 with size 1

这个错误出在scatter操作时，你试图用索引1去访问一个维度尺寸为1的张量。为什么会这样？看你提供的标签数组：[1,1,...9,1...]，当你执行classes = classes[classes !=9]后，classes只剩下[1]，所以self.n_classes=1，创建的self.one_hot_labels是(n_nodes,1)的张量。但你直接用原始标签值1作为scatter的索引，而这个维度的合法索引只能是0，自然就越界了。

更深层的问题是：你的原始标签是-2、-1、0、1、2这类非连续从0开始的数值，不能直接当作独热编码的索引来用——独热编码的索引必须是从0到n_classes-1的连续整数。

修复步骤 #

我们需要先把原始标签值（排除未标记的9）映射为合法的索引，再进行独热编码。修改后的_one_hot_encode函数如下：

def _one_hot_encode(self, labels):
    # 第一步：分离已标记和未标记数据
    unlabeled_mask = (labels == 9)
    labeled_labels = labels[~unlabeled_mask]
    
    # 第二步：获取所有已标记的唯一类别，并映射为0开始的连续索引
    unique_classes = torch.unique(labeled_labels)
    self.n_classes = unique_classes.size(0)
    
    # 创建类别到索引的映射字典
    class_to_idx = {cls.item(): idx for idx, cls in enumerate(unique_classes)}
    
    # 第三步：将原始标签转换为合法索引，未标记数据暂时设为0（后续会清零）
    labels = labels.clone()
    for cls, idx in class_to_idx.items():
        labels[labels == cls] = idx
    labels[unlabeled_mask] = 0  # 未标记数据先随便设个值，后面会清零
    
    # 第四步：创建独热编码张量并填充
    self.one_hot_labels = torch.zeros((self.n_nodes, self.n_classes), dtype=torch.float)
    # 现在labels里的索引都是0到n_classes-1的合法值了
    self.one_hot_labels = self.one_hot_labels.scatter(1, labels.unsqueeze(1), 1)
    
    # 第五步：清零未标记数据的独热编码行
    self.one_hot_labels[unlabeled_mask] = 0.0
    self.labeled_mask = ~unlabeled_mask

关键改进点 #

• 类别到索引的映射：把原始的-2、-1、0、1、2这类值，转换成0、1、2、3、4（或当前数据存在的类别对应的连续索引），确保scatter时的索引不会越界。
• 未标记数据的处理：先将未标记数据的标签临时设为0，完成scatter后再把整行清零，避免干扰已标记数据的编码。

额外优化（可选） #

如果你确定数据集的有效类别固定是-2、-1、0、1、2，可以直接预先定义映射，不用每次从数据里取unique，这样更高效：

# 预先定义固定的类别映射
FIXED_CLASS_MAP = {-2:0, -1:1, 0:2, 1:3, 2:4}
self.n_classes = 5  # 固定5个类别

# 替换映射部分的代码
labels = labels.clone()
for cls, idx in FIXED_CLASS_MAP.items():
    labels[labels == cls] = idx
labels[unlabeled_mask] = 0

这样不管你的数据里包含哪些有效类别，都能保证索引的合法性，彻底避免索引越界的问题。

内容的提问来源于stack exchange，提问作者V_sqrt