使用LSTM预测苹果收盘价时触发pandas InvalidIndexError报错

使用过去50天的历史股价数据预测苹果公司（Apple Inc.）股票收盘价，运行代码时抛出如下报错：

pandas.errors.InvalidIndexError: (slice(115770, None, None), slice(None, None, None))

涉及的核心实现代码如下：

#Import the librarires
import math
import pandas_datareader as web
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM
import matplotlib.pyplot as plt
plt.style.use('fivethirtyeight')

#Get the stock quote
df =web.DataReader ('AAPL', data_source='yahoo', start='2017-01-01', end='2022-05-31')

.....

#Create the data sets x_test and y_test
x_test = []
y_test = dataset[training_data_len:, :]
for i in range(50, len(test_data)):
    x_test.append(test_data[i-50:i, 0])

#Convert Data to a numpy array
x_test = np.array(x_test)

#Reshape the data
x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1 ))

#Get the models predicte price values
predictions = model.predict(x_test)

#inverse transform the prediction 
# basically unscaling the values and have the prediction contain the same values as the y_testdataset, given the x_dataset
predictions = scaler.inverse_transform(predictions)

这个错误是直接对pandas的DataFrame/Series对象使用了numpy风格的多维位置切片语法导致的：

• pandas对象原生不支持[行切片, 列位置]这种numpy数组的切片写法，直接使用时pandas会把传入的整数切片当成索引标签去匹配，而不是按位置取数，当传入的位置值不在索引标签里时就会抛出索引错误。
• 代码中y_test = dataset[training_data_len:, :]、循环内的test_data[i-50:i, 0]都属于这类问题，如果dataset、test_data是pandas结构而非numpy数组，就会触发报错。

• 所有做数值切片、送入缩放器/模型之前，先把pandas的表格结构转为numpy数组，不要直接对DataFrame/Series使用numpy式多维切片。
• 构造测试集时注意要从训练集结束位置往前预留50天的窗口，保证第一个测试样本能取到完整的50天历史输入。

修正后的对应代码片段如下：

# 读取行情数据后，单独提取收盘价列并转为numpy数组
df = web.DataReader('AAPL', data_source='yahoo', start='2017-01-01', end='2022-05-31')
# 提取收盘价，转numpy数组
close_data = df.filter(['Close']).values

# 归一化处理，此时scaled_data输出为numpy数组
scaler = MinMaxScaler(feature_range=(0,1))
scaled_data = scaler.fit_transform(close_data)

# --- 中间划分训练集的逻辑保持不变，计算得到training_data_len ---

# 构造测试集：从训练集结束位置往前推50天，保证窗口完整
test_data = scaled_data[training_data_len - 50: , :]
x_test = []
# y_test直接取对应位置的真实收盘价，numpy数组切片不会触发pandas索引错误
y_test = close_data[training_data_len:, :]

for i in range(50, len(test_data)):
    x_test.append(test_data[i-50:i, 0])

# 后续转数组、reshape、预测、逆缩放逻辑无需修改
x_test = np.array(x_test)
x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1))
predictions = model.predict(x_test)
predictions = scaler.inverse_transform(predictions)

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