使用PYOMO构建线性规划时约束函数报错：KeyError: 0

核心错误点 #

1. DataFrame行访问错误：y[i-1] 试图用整数索引访问DataFrame的列，但y是单列DataFrame，列名为y而非整数，直接触发KeyError: 0，需改用行索引访问方式。
2. Beta变量索引错误：model.beta = pyo.Var(features) 错误地将DataFrame的行作为变量索引，实际Beta应对应每个特征列，需用特征列名作为索引。
3. 求和循环对象错误：循环features（DataFrame）而非特征列名，导致计算时无法正确匹配特征与Beta系数。
4. 截距列类型错误：data['intercept'] = '1.0' 设置为字符串类型，会导致后续数值计算异常，需改为浮点型。

修复后的完整代码 #

数据预处理部分 #

import pandas as pd
import numpy as np
data = pd.read_csv(r'Data\prostate.csv')
data['y'] = data['lpsa']  # 复制lpsa列并重命名为y
y = data[['y']]  # 提取y为单独DataFrame
del data['lpsa']  # 删除原lpsa列
data['intercept'] = 1.0  # 添加数值型截距列
features = data[['lcavol', 'lweight', 'age', 'lbph', 'svi', 'lcp', 'gleason', 'pgg45', 'intercept']]  # 提取特征列

Pyomo建模部分 #

import pyomo.environ as pyo
model = pyo.ConcreteModel()

# 样本索引：从1到len(data)（覆盖所有样本）
N = list(range(1, len(data)+1))
# 特征列名集合
feature_names = features.columns

# 定义变量：r_pos、r_neg对应每个样本，beta对应每个特征
model.r_pos = pyo.Var(N, domain=pyo.NonNegativeReals)
model.r_neg = pyo.Var(N, domain=pyo.NonNegativeReals)
model.beta = pyo.Var(feature_names)

def abs_rule(model, i):
    # 获取第i个样本的实际值（行索引为i-1）
    y_val = y.iloc[i-1, 0]
    # 计算特征与beta的线性组合
    linear_comb = sum(data.loc[i-1, feat] * model.beta[feat] for feat in feature_names)
    # 返回约束表达式
    return y_val - linear_comb == model.r_pos[i] - model.r_neg[i]

model.abs = pyo.Constraint(N, rule=abs_rule)
# L1目标函数：最小化r_pos与r_neg的和
model.L1_objective = pyo.Objective(expr=sum(model.r_pos[i] + model.r_neg[i] for i in N), sense=pyo.minimize)

额外说明 #

• 修复了样本索引范围：原range(1, len(data))会漏掉最后一个样本，改为range(1, len(data)+1)确保覆盖所有样本。
• 显式指定目标函数的sense=pyo.minimize，逻辑更清晰（Pyomo默认最小化，显式声明可避免歧义）。
• 统一使用浮点型数值参与计算，避免字符串类型导致的运算异常。

内容的提问来源于stack exchange，提问作者guanp175