无法绘制LSTM模型预测结果，报IndexError错误如何解决？

错误原因 #

触发IndexError的核心问题是：代码中将data转换为了numpy数组，而numpy数组不支持用字符串列名（如valid['Predictions']）来添加新列——numpy数组仅接受整数、切片、布尔数组等类型的索引，这和错误提示完全对应。

另外代码还存在两个隐性问题：

1. 预测值predictions的长度与验证集valid的长度不匹配（预测值是从验证集第60天开始生成的，比验证集短60个数据点）
2. RMSE计算时，y_test仍处于归一化尺度，与逆变换后的predictions尺度不一致，导致误差计算无效

修改步骤 #

1. 保留DataFrame格式：不要过早将data转换为numpy数组，保留pandas DataFrame结构，方便后续添加列和绘图
2. 对齐预测值与验证集长度：由于预测值需要前60天数据生成，给验证集的前60天填充NaN，再拼接预测值，保证长度匹配
3. 修正RMSE计算逻辑：先将归一化后的y_test逆变换回原始尺度，再和predictions计算误差

修正后的完整代码 #

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
from sklearn.preprocessing import MinMaxScaler
from datetime import datetime, timedelta
import yfinance as yf

# 下载AAPL股票数据
symbol = 'AAPL'
start_date = datetime.now() - timedelta(days=365 * 2)
end_date = datetime.now()
df = yf.download(symbol, start=start_date, end=end_date)

# 保留DataFrame格式，不转numpy数组
data = df.filter(['Adj Close'])

# 归一化数据（用values获取numpy数组进行处理）
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data.values)

# 划分训练集和测试集
training_data_len = int(len(data) * 0.8)
train_data = scaled_data[:training_data_len, :]
test_data = scaled_data[training_data_len:, :]

# 准备训练数据
x_train = []
y_train = []
for i in range(60, len(train_data)):
    x_train.append(train_data[i-60:i, 0])
    y_train.append(train_data[i, 0])

x_train, y_train = np.array(x_train), np.array(y_train)
# 调整LSTM输入形状
x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))

# 构建LSTM模型
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.LSTM(50, return_sequences=True, input_shape=(x_train.shape[1], 1)))
model.add(tf.keras.layers.LSTM(50, return_sequences=False))
model.add(tf.keras.layers.Dense(25))
model.add(tf.keras.layers.Dense(1))

# 编译并训练模型
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(x_train, y_train, batch_size=1, epochs=1)

# 准备测试数据
x_test = []
y_test = scaled_data[training_data_len + 60:, :]
for i in range(60, len(test_data)):
    x_test.append(test_data[i-60:i, 0])

x_test = np.array(x_test)
x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1))

# 获取预测值并逆变换回原始尺度
predictions = model.predict(x_test)
predictions = scaler.inverse_transform(predictions)

# 修正RMSE计算：先将y_test逆变换
y_test_unscaled = scaler.inverse_transform(y_test)
rmse = np.sqrt(np.mean((predictions - y_test_unscaled)**2))
print(f"RMSE: {rmse}")

# 绘图部分：用DataFrame处理，对齐长度
train = data[:training_data_len]
valid = data[training_data_len:].copy()
# 前60天无预测值，填充NaN，再拼接预测值
valid['Predictions'] = np.concatenate([np.full(60, np.nan), predictions])

plt.figure(figsize=(16,8))
plt.title('LSTM股票价格预测模型')
plt.xlabel('日期')
plt.ylabel('调整后收盘价（美元）')
plt.plot(train['Adj Close'])
plt.plot(valid[['Adj Close', 'Predictions']])
plt.legend(['训练集', '验证集', '预测值'], loc='lower right')
plt.show()

# 预测未来1天价格
last_60_days = data[-60:].values
last_60_days_scaled = scaler.transform(last_60_days)
X_test = []
X_test.append(last_60_days_scaled)
X_test = np.array(X_test)
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
predicted_price = model.predict(X_test)
predicted_price = scaler.inverse_transform(predicted_price)
print(f"次日预测价格: ${predicted_price[0][0]:.2f}")

关键修改点说明 #

• 将data = df.filter(['Adj Close']).values改为data = df.filter(['Adj Close'])，保留DataFrame结构
• 给valid添加Predictions列时，用np.concatenate填充前60天的NaN，保证和验证集长度一致
• RMSE计算前先对y_test做逆变换，确保和predictions尺度统一
• 修复了最后打印语句的引号缺失问题

内容的提问来源于stack exchange，提问作者junkone