自定义Keras batch_generator函数时y_batch行报错，请求排查

首先，我先梳理下你代码里可能导致y_batch行报错的几个常见原因，然后给出对应的修复方案：

常见错误原因分析 #

1. 误用标签索引而非位置索引取y_data #

你的代码里用了y_data[y_data.index[index_batch]]，这里的核心问题是：

• index_batch是你用np.arange生成的位置序号（从0到样本数-1的连续整数），但y_data.index[index_batch]取的是y_data的标签索引值。如果y_data的实际索引不是连续的0-based整数（比如是自定义字符串、非连续数字，或者之前做过筛选导致索引断裂），这行代码就会试图访问不存在的索引，直接抛出KeyError。

2. 最后一批样本长度不足batch_size时的边界问题 #

当总样本数不能被batch_size整除时，number_of_batches = samples_per_epoch/batch_size会得到一个浮点数（比如105个样本，batch_size=32，得到3.28125）。当counter走到3时，index_batch = index[96:128]，但实际只有105个样本，所以index_batch的长度是9（105-96），这时候如果y_data的索引范围没到127，同样会触发索引错误。而且你的判断条件counter > number_of_batches会在counter=4时才重置，这时候已经多走了一次循环。

3. 未做epoch洗牌（可选，但影响训练效果） #

你的代码里index是初始化时生成的固定序列，每个epoch的样本顺序完全一致，这会导致模型训练时容易过拟合，虽然不是直接报错的原因，但也是需要优化的点。

修复后的完整代码 #

import numpy as np

def batch_generator(X_data, y_data, batch_size, shuffle=True):
    samples_per_epoch = X_data.shape[0]
    # 用ceil确保所有样本都能被取到，得到整数的批次数
    number_of_batches = int(np.ceil(samples_per_epoch / batch_size))
    counter = 0
    # 初始化索引数组
    index = np.arange(samples_per_epoch)
    
    while True:
        # 处理最后一批的边界情况，避免超出索引范围
        start_idx = batch_size * counter
        end_idx = min(start_idx + batch_size, samples_per_epoch)
        index_batch = index[start_idx:end_idx]
        
        # X_data如果是稀疏矩阵，转成array
        X_batch = X_data[index_batch, :].toarray()
        # 用iloc按位置取y_data，不管y_data的标签索引是什么
        y_batch = y_data.iloc[index_batch]
        
        counter += 1
        yield X_batch, y_batch
        
        # 当所有批次取完后，重置计数器，可选洗牌
        if counter >= number_of_batches:
            counter = 0
            if shuffle:
                # 每个epoch重新打乱索引，增加训练随机性
                np.random.shuffle(index)

关键修复点说明 #

1. 改用iloc取y_batch：y_data.iloc[index_batch]直接按行的位置序号取值，完全避开了y_data标签索引不匹配的问题，这是解决你当前报错的核心。
2. 修复边界计算：用min(start_idx + batch_size, samples_per_epoch)确保最后一批不会超出样本总数，避免索引越界。
3. 整数批次数与重置条件：用np.ceil计算批次数并转成整数，判断条件改成counter >= number_of_batches，确保所有批次取完后及时重置。
4. 可选洗牌功能：增加shuffle参数，每个epoch重置时打乱索引，提升模型训练的泛化能力。

内容的提问来源于stack exchange，提问作者Midnight