Python中访问train[1]、label[1]触发IndexError的解决方法

报错的核心原因是滑窗逻辑和数组初始化逻辑冲突，生成的train和label本质是第一维长度为0的空数组，任何索引访问都会触发越界：

• 初始化数组时你设置window_length = 983，和总数据行数number_of_rows=983相等，因此第一维长度计算为983 - 983 = 0，直接生成了shape为(0, 983, 6)的空train、shape为(0,6)的空label
• 之后你修改window_length = 982，但没有重新初始化两个数组，numpy数组的shape不会随变量值自动更新
• 循环范围range(0, number_of_rows-window_length)等价于range(0,1)，仅会执行1次i=0的循环，给空数组的0索引赋值属于无效操作，数组始终为空。你以为能正常访问的train[0]只是numpy空数组的异常返回，没有存储任何有效数据
• 额外的逻辑错误：标签切片transformed_df.iloc[i:i+window_length:i+window_length+1,0:number_of_features]用了和索引绑定的动态步长，根本取不到正确的预测目标值。

你要实现的是时序滑窗样本构造：用连续N条历史数据预测紧邻的下1条数据，正确逻辑是先确定合理的滑窗长度，计算有效样本数后再初始化数组、循环赋值，修复后的代码如下：

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler

# 假设my_list已定义，共983条6列数据
df = pd.DataFrame(np.array(my_list), columns=list('ABCDEF'))

# 标准化
scaler = StandardScaler().fit(df.values)
transformed_dataset = scaler.transform(df.values)
transformed_df = pd.DataFrame(data=transformed_dataset, index=df.index)

number_of_rows = transformed_df.shape[0]
number_of_features = transformed_df.shape[1]
# 设置滑窗长度：不要设置为和总样本数接近/相等的值，否则构造不出有效样本
# 例如下方设置为用前20条历史数据预测下1条，可根据你的业务需求调整
window_length = 20

# 计算有效样本总数
sample_count = number_of_rows - window_length
# 初始化正确维度的数组
train = np.empty([sample_count, window_length, number_of_features], dtype=float)
label = np.empty([sample_count, number_of_features], dtype=float)

# 循环构造滑窗样本
for i in range(sample_count):
    # 取连续window_length行作为输入特征
    train[i] = transformed_df.iloc[i:i+window_length, :number_of_features].values
    # 取窗口结束位置紧邻的下一行作为预测标签
    label[i] = transformed_df.iloc[i+window_length, :number_of_features].values

# 维度验证：window_length=20时，train.shape为(963, 20, 6)，label.shape为(963,6)
# 此时访问train[0]、train[1]、label[0]、label[1]均不会触发索引越界
print(train.shape, label.shape)

• 滑窗长度必须远小于总样本数：如果设置window_length=982，最终只能生成1个有效样本（前982条预测最后1条）；设置window_length=983则一个有效样本都无法生成
• 所有和数组维度相关的参数，必须在数组初始化前确定，初始化完成后不要随意修改，否则数组维度不会自动同步
• 构造时序预测标签时不要用动态步长切片，直接取窗口后第一行即可，动态步长很容易取到空值或者错位的标签。

内容的提问来源于stack exchange，提问作者anagnam