Python 3 - ValueError: 找到包含 0 个样本的数组 (shape=(0, 11))，而 MinMaxScaler 至少需要 1
Posted
技术标签:
【中文标题】Python 3 - ValueError: 找到包含 0 个样本的数组 (shape=(0, 11))，而 MinMaxScaler 至少需要 1【英文标题】：Python 3 - ValueError: Found array with 0 sample(s) (shape=(0, 11)) while a minimum of 1 is required by MinMaxScaler 【发布时间】：2019-09-25 16:53:33 【问题描述】：我真的很难让我的这个项目启动和运行，但我仍然保持弹性，我想我已经接近了！
我正在尝试自定义此项目以使用我自己的数据集：
https://github.com/notadamking/Bitcoin-Trader-RL
基本上，这个项目使用股票价格的 OHLCV 数据集来训练和交易，但是我有一个一日分时数据集，我想使用比 OHLCV .csv 文件中提供的更多列来代替项目（我的包括时间、打开、关闭、最后、最后大小、出价、出价大小、询问、询问大小、交易量）。它将 .csv 文件内容放入自己的数组中，然后使用 MinMaxScaler 将所有点转换为相对于其所在列的值介于 0-1 之间的值。
我收到以下完整错误，我希望知道这里发生了什么的人能够发现我遗漏的内容：
Traceback (most recent call last):
File "main.py", line 23, in <module>
model.learn(total_timesteps=200000)
File "c:\users\windowshopr\desktop\python scripts\all tools\stable-baselines-master\stable_baselines\a2c\a2c.py", line 231, in learn
runner = A2CRunner(self.env, self, n_steps=self.n_steps, gamma=self.gamma)
File "c:\users\windowshopr\desktop\python scripts\all tools\stable-baselines-master\stable_baselines\a2c\a2c.py", line 310, in __init__
super(A2CRunner, self).__init__(env=env, model=model, n_steps=n_steps)
File "c:\users\windowshopr\desktop\python scripts\all tools\stable-baselines-master\stable_baselines\common\runners.py", line 19, in __init__
self.obs[:] = env.reset()
File "c:\users\windowshopr\desktop\python scripts\all tools\stable-baselines-master\stable_baselines\common\vec_env\dummy_vec_env.py", line 45, in reset
obs = self.envs[env_idx].reset()
File "C:\Users\windowshopr\Desktop\Current Python Project\1 - Matt's Bitcoin Trader (level 1)\env\BitcoinTradingEnv.py", line 90, in reset
return self._next_observation()
File "C:\Users\windowshopr\Desktop\Current Python Project\1 - Matt's Bitcoin Trader (level 1)\env\BitcoinTradingEnv.py", line 38, in _next_observation
scaled_df = self.scaler.fit_transform(scaled_df)
File "C:\Users\windowshopr\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\base.py", line 518, in fit_transform
return self.fit(X, **fit_params).transform(X)
File "C:\Users\windowshopr\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\preprocessing\data.py", line 308, in fit
return self.partial_fit(X, y)
File "C:\Users\windowshopr\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\preprocessing\data.py", line 334, in partial_fit
estimator=self, dtype=FLOAT_DTYPES)
File "C:\Users\windowshopr\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\utils\validation.py", line 431, in check_array
context))
ValueError:Found array with 0 sample(s) (shape=(0, 11)) while a minimum of 1 is required by MinMaxScaler.
注意以下几行：
**文件“C:\Users\windowshopr\Desktop\Current Python Project\1 - Matt's Bitcoin Trader (level 1)\env\BitcoinTradingEnv.py”，第 90 行，重置中 return self._next_observation()
文件“C:\Users\windowshopr\Desktop\Current Python Project\1 - Matt's Bitcoin Trader (level 1)\env\BitcoinTradingEnv.py”，第 38 行，在 _next_observation scaled_df = self.scaler.fit_transform(scaled_df)**
我在 SO 上看到了另外两个问题，但其中一个没有得到回答，另一个没有解决问题，所以我很茫然。我知道我不应该按照 SO 的规则发布整个代码，但是，在这种情况下，我认为追溯错误需要它，所以我为此道歉，但我希望它有所帮助。我认为问题出在“def _next_observation(self):”函数中：
import gym
import pandas as pd
import numpy as np
from gym import spaces
from sklearn import preprocessing
from render.BitcoinTradingGraph import BitcoinTradingGraph
MAX_TRADING_SESSION = 100000
class BitcoinTradingEnv(gym.Env):
"""A Bitcoin trading environment for OpenAI gym"""
metadata = 'render.modes': ['human', 'system', 'none']
scaler = preprocessing.MinMaxScaler()
viewer = None
def __init__(self, df, lookback_window_size=40, initial_balance=10000, commission=0.005, serial=False):
super(BitcoinTradingEnv, self).__init__()
self.df = df.dropna().reset_index()
self.lookback_window_size = lookback_window_size
self.initial_balance = initial_balance
self.commission = commission
self.serial = serial
# Actions of the format Buy 1/10, Sell 3/10, Hold (amount ignored), etc.
self.action_space = spaces.MultiDiscrete([3, 10])
# Observes the OHCLV values, net worth, and trade history
self.observation_space = spaces.Box(
low=0, high=1, shape=(10, lookback_window_size + 1), dtype=np.float16)
def _next_observation(self):
end = self.current_step + self.lookback_window_size + 1
scaled_df = self.active_df.values[:end].astype('float64')
scaled_df = self.scaler.fit_transform(scaled_df)
scaled_df = pd.DataFrame(scaled_df, columns=self.df.columns)
obs = np.array([
scaled_df['Open'].values[self.current_step:end],
scaled_df['Close'].values[self.current_step:end],
scaled_df['Last'].values[self.current_step:end],
scaled_df['LastSize'].values[self.current_step:end],
scaled_df['Bid'].values[self.current_step:end],
scaled_df['BiSize'].values[self.current_step:end],
scaled_df['Ask'].values[self.current_step:end],
scaled_df['AskSize'].values[self.current_step:end],
scaled_df['Volume'].values[self.current_step:end],
])
scaled_history = self.scaler.fit_transform(self.account_history)
obs = np.append(
obs, scaled_history[:, -(self.lookback_window_size + 1):], axis=0)
return obs
def _reset_session(self):
self.current_step = 0
if self.serial:
self.steps_left = len(self.df) - self.lookback_window_size - 1
self.frame_start = self.lookback_window_size
else:
self.steps_left = np.random.randint(1, MAX_TRADING_SESSION)
self.frame_start = np.random.randint(
self.lookback_window_size, len(self.df) - self.steps_left)
self.active_df = self.df[self.frame_start - self.lookback_window_size:
self.frame_start + self.steps_left]
def reset(self):
self.balance = self.initial_balance
self.net_worth = self.initial_balance
self.btc_held = 0
self._reset_session()
self.account_history = np.repeat([
[self.balance],
[0],
[0],
[0],
[0]
], self.lookback_window_size + 1, axis=1)
self.trades = []
return self._next_observation()
def _get_current_price(self):
return self.df['Last'].values[self.frame_start + self.current_step]
def _get_ask_price(self):
return self.df['Ask'].values[self.frame_start + self.current_step]
def _get_bid_price(self):
return self.df['Bid'].values[self.frame_start + self.current_step]
def _take_action(self, action, current_price, buy_price, sell_price):
action_type = action[0]
amount = action[1] / 10
btc_bought = 0
btc_sold = 0
cost = 0
sales = 0
if action_type < 1:
btc_bought = self.balance / buy_price * amount
cost = btc_bought * buy_price * (1 + self.commission)
self.btc_held += btc_bought
self.balance -= cost
elif action_type < 2:
btc_sold = self.btc_held * amount
sales = btc_sold * sell_price * (1 - self.commission)
self.btc_held -= btc_sold
self.balance += sales
if btc_sold > 0 or btc_bought > 0:
self.trades.append('step': self.frame_start + self.current_step,
'amount': btc_sold if btc_sold > 0 else btc_bought, 'total': sales if btc_sold > 0 else cost,
'type': "sell" if btc_sold > 0 else "buy")
self.net_worth = self.balance + self.btc_held * sell_price
self.account_history = np.append(self.account_history, [
[self.balance],
[btc_bought],
[cost],
[btc_sold],
[sales]
], axis=1)
def step(self, action):
current_price = self._get_current_price()
buy_price = self._get_ask_price()
sell_price = self._get_bid_price()
prev_net_worth = self.net_worth
self._take_action(action, current_price, buy_price, sell_price)
self.steps_left -= 1
self.current_step += 1
if self.steps_left == 0:
self.balance += self.btc_held * sell_price
self.btc_held = 0
self._reset_session()
obs = self._next_observation()
reward = self.net_worth - prev_net_worth
done = self.net_worth <= 0
return obs, reward, done,
def render(self, mode='human', **kwargs):
if mode == 'system':
print('Price: ' + str(self._get_current_price()))
print(
'Bought: ' + str(self.account_history[2][self.current_step + self.frame_start]))
print(
'Sold: ' + str(self.account_history[4][self.current_step + self.frame_start]))
print('Net worth: ' + str(self.net_worth))
elif mode == 'human':
if self.viewer is None:
self.viewer = BitcoinTradingGraph(
self.df, kwargs.get('title', None))
self.viewer.render(self.frame_start + self.current_step,
self.net_worth,
self.trades,
window_size=self.lookback_window_size)
def close(self):
if self.viewer is not None:
self.viewer.close()
self.viewer = None
非常感谢，如果我需要提供其他任何东西，请告诉我。
更新
有人吗？
如果有帮助，请在上面的 Github 链接下载完整项目，更新 BitcoinTradingEnv.py 文件以匹配我在此处发布的文件，并将数据文件夹中的 .csv 文件更新为这个部分文件（其中每个在自己的专栏中）：
Time Open Close Last LastSize Bid BidSize Ask AskSize Volume
1 0.01 3.38 3.38 285 3.95 11 3.99 1 460600
2 0.01 3.38 3.38 285 3.95 11 4.00 5 460600
3 0.01 3.38 3.38 285 3.93 2 4.00 5 463936
4 0.01 3.38 3.38 285 3.93 8 3.95 1 463936
5 0.01 3.38 3.38 285 3.95 4 4.00 5 464136
6 0.01 3.38 3.38 285 3.95 4 4.00 6 464136
7 0.01 3.38 3.38 285 3.95 4 4.00 6 464146
8 0.01 3.38 3.38 285 3.93 8 4.00 6 464586
9 0.01 3.38 3.38 285 3.93 8 3.99 1 464586
10 0.01 3.38 3.38 285 3.93 8 3.99 4 464586
11 0.01 3.38 3.38 285 3.94 13 3.99 4 464586
12 0.01 3.38 3.38 285 3.94 13 3.99 4 464590
13 0.01 3.38 3.38 285 3.94 13 3.99 4 464661
14 0.01 3.38 3.38 285 3.95 5 3.99 4 464661
15 0.01 3.38 3.38 285 3.95 5 3.99 3 465261
16 0.01 3.38 3.38 285 3.94 13 3.98 1 465265
17 0.01 3.38 3.38 285 3.94 13 3.98 1 467544
18 0.01 3.38 3.38 285 3.96 5 3.98 1 468544
19 0.01 3.38 3.38 285 3.96 5 3.98 1 468602
20 0.01 3.38 3.38 285 3.96 5 3.99 3 468802
21 0.01 3.38 3.38 285 3.96 4 3.99 2 470247
22 0.01 3.38 3.38 285 3.96 4 3.99 2 470747
23 0.01 3.38 3.38 285 3.96 4 3.97 5 470747
24 0.01 3.38 3.38 285 3.95 1 3.97 5 471747
25 0.01 3.38 3.38 285 3.95 1 3.97 5 471948
26 0.01 3.38 3.38 285 3.95 1 3.97 5 471958
27 0.01 3.38 3.38 285 3.95 1 3.99 2 472958
28 0.01 3.38 3.38 285 3.95 2 3.97 3 472958
29 0.01 3.38 3.38 285 3.95 1 3.97 3 473033
30 0.01 3.38 3.38 285 3.95 1 3.97 2 473117
31 0.01 3.38 3.38 285 3.96 2 3.97 2 473117
32 0.01 3.38 3.38 285 3.96 2 3.97 2 473127
33 0.01 3.38 3.38 285 3.96 2 3.99 2 473327
34 0.01 3.38 3.38 285 3.96 2 3.99 2 473343
35 0.01 3.38 3.38 285 3.97 1 3.99 2 473343
36 0.01 3.38 3.38 285 3.99 1 4.00 13 473818
37 0.01 3.38 3.38 285 3.99 1 4.00 1 476618
38 0.01 3.38 3.38 285 3.99 1 4.00 3 477918
39 0.01 3.38 3.38 285 3.99 5 4.00 1 478425
40 0.01 3.38 3.38 285 3.99 5 4.00 1 479686
41 0.01 3.38 3.38 285 3.99 4 4.00 1 479686
42 0.01 3.38 3.38 285 3.99 4 4.00 1 480366
43 0.01 3.38 3.38 285 3.95 6 3.97 1 481115
44 0.01 3.38 3.38 285 3.95 6 4.00 1 481162
45 0.01 3.38 3.38 285 3.95 6 4.00 8 481162
46 0.01 3.38 3.38 285 3.95 6 3.99 5 481226
47 0.01 3.38 3.38 285 3.98 1 3.99 5 481279
48 0.01 3.38 3.38 285 3.95 6 3.99 5 481929
49 0.01 3.38 3.38 285 3.95 6 3.98 1 481929
50 0.01 3.38 3.38 285 3.95 6 3.98 1 482041
51 0.01 3.38 3.38 285 3.96 6 3.98 1 482041
52 0.01 3.38 3.38 285 3.96 6 3.98 1 482066
53 0.01 3.38 3.38 285 3.96 6 3.98 1 482093
54 0.01 3.38 3.38 285 3.96 6 3.98 1 482137
55 0.01 3.38 3.38 285 3.96 6 3.98 1 484512
56 0.01 3.38 3.38 285 3.96 6 3.98 1 484541
57 0.01 3.38 3.38 285 3.96 6 3.98 4 484541
58 0.01 3.38 3.38 285 3.96 6 3.98 4 488541
59 0.01 3.38 3.38 285 3.96 6 3.98 1 488541
60 0.01 3.38 3.38 285 3.96 6 3.98 1 489541
61 0.01 3.38 3.38 285 3.95 12 3.96 3 490171
62 0.01 3.38 3.38 285 3.95 12 3.96 5 490171
63 0.01 3.38 3.38 285 3.92 10 3.95 56 492046
64 0.01 3.38 3.38 285 3.92 10 3.95 60 492046
65 0.01 3.38 3.38 285 3.92 10 3.95 60 502046
66 0.01 3.38 3.38 285 3.92 10 3.95 56 502046
67 0.01 3.38 3.38 285 3.92 8 3.95 56 503418
68 0.01 3.38 3.38 285 3.92 8 3.95 56 503427
69 0.01 3.38 3.38 285 3.92 8 3.95 54 503617
70 0.01 3.38 3.38 285 3.92 8 3.95 54 503817
71 0.01 3.38 3.38 285 3.92 6 3.95 54 505167
72 0.01 3.38 3.38 285 3.91 62 3.92 7 505727
73 0.01 3.38 3.38 285 3.92 7 3.95 54 506517
74 0.01 3.38 3.38 285 3.92 7 3.95 54 506867
75 0.01 3.38 3.38 285 3.92 7 3.95 54 506877
76 0.01 3.38 3.38 285 3.94 4 3.95 54 506877
77 0.01 3.38 3.38 285 3.94 2 3.95 54 507572
78 0.01 3.38 3.38 285 3.94 3 3.95 54 507572
79 0.01 3.38 3.38 285 3.94 3 3.95 54 507972
80 0.01 3.38 3.38 285 3.92 8 3.94 9 508592
81 0.01 3.38 3.38 285 3.91 62 3.92 50 509192
82 0.01 3.38 3.38 285 3.91 16 3.91 1 514523
83 0.01 3.38 3.38 285 3.91 1 3.91 1 516023
84 0.01 3.38 3.38 285 3.89 16 3.90 17 518826
85 0.01 3.38 3.38 285 3.89 12 3.90 17 520025
86 0.01 3.38 3.38 285 3.86 21 3.87 7 522335
87 0.01 3.38 3.38 285 3.86 21 3.87 7 522355
88 0.01 3.38 3.38 285 3.86 21 3.87 4 522655
89 0.01 3.38 3.38 285 3.86 3 3.87 1 524452
90 0.01 3.38 3.38 285 3.85 5 3.87 1 525652
91 0.01 3.38 3.38 285 3.83 6 3.86 1 526575
92 0.01 3.38 3.38 285 3.84 1 3.86 1 526675
93 0.01 3.38 3.38 285 3.84 6 3.85 4 526675
94 0.01 3.38 3.38 285 3.85 1 3.86 1 527575
95 0.01 3.38 3.38 285 3.85 15 3.87 1 528175
96 0.01 3.38 3.38 285 3.87 4 3.90 2 529300
97 0.01 3.38 3.38 285 3.87 2 3.88 1 531300
98 0.01 3.38 3.38 285 3.87 2 3.90 2 531325
99 0.01 3.38 3.38 285 3.87 8 3.90 2 531325
100 0.01 3.38 3.38 285 3.87 8 3.90 2 531625
101 0.01 3.38 3.38 285 3.90 2 3.91 6 532475
102 0.01 3.38 3.38 285 3.87 8 3.91 6 532675
103 0.01 3.38 3.38 285 3.88 2 3.91 6 532675
104 0.01 3.38 3.38 285 3.88 2 3.92 1 534590
105 0.01 3.38 3.38 285 3.88 2 3.92 1 534670
106 0.01 3.38 3.38 285 3.90 1 3.92 1 534720
107 0.01 3.38 3.38 285 3.90 1 3.92 1 535223
108 0.01 3.38 3.38 285 3.90 1 3.92 3 535723
109 0.01 3.38 3.38 285 3.90 1 3.91 4 535778
110 0.01 3.38 3.38 285 3.87 9 3.90 4 535939
111 0.01 3.38 3.38 285 3.88 2 3.90 2 535939
112 0.01 3.38 3.38 285 3.88 2 3.90 2 536440
113 0.01 3.38 3.38 285 3.88 1 3.90 2 536470
114 0.01 3.38 3.38 285 3.87 9 3.91 3 536710
115 0.01 3.38 3.38 285 3.87 8 3.91 3 536780
116 0.01 3.38 3.38 285 3.87 8 3.91 2 536780
117 0.01 3.38 3.38 285 3.88 1 3.91 2 536780
118 0.01 3.38 3.38 285 3.88 5 3.91 2 536780
119 0.01 3.38 3.38 285 3.88 5 3.91 2 536795
120 0.01 3.38 3.38 285 3.89 1 3.91 2 536795
121 0.01 3.38 3.38 285 3.89 1 3.89 2 536945
122 0.01 3.38 3.38 285 3.88 3 3.89 2 537495
123 0.01 3.38 3.38 285 3.88 3 3.89 2 538495
124 0.01 3.38 3.38 285 3.88 3 3.91 2 538495
125 0.01 3.38 3.38 285 3.88 3 3.90 2 538495
126 0.01 3.38 3.38 285 3.88 3 3.91 2 538645
127 0.01 3.38 3.38 285 3.88 4 3.91 2 538645
128 0.01 3.38 3.38 285 3.88 5 3.91 2 538645
129 0.01 3.38 3.38 285 3.89 1 3.91 2 538645
130 0.01 3.38 3.38 285 3.89 1 3.91 2 538645
131 0.01 3.38 3.38 285 3.87 7 3.88 48 539326
132 0.01 3.38 3.38 285 3.87 4 3.88 48 539868
133 0.01 3.38 3.38 285 3.87 4 3.88 48 540368
134 0.01 3.38 3.38 285 3.86 6 3.87 1 541081
135 0.01 3.38 3.38 285 3.86 2 3.87 1 541581
136 0.01 3.38 3.38 285 3.86 2 3.87 6 541581
137 0.01 3.38 3.38 285 3.86 2 3.87 6 541608
138 0.01 3.38 3.38 285 3.86 2 3.87 11 541608
139 0.01 3.38 3.38 285 3.85 2 3.86 2 542708
140 0.01 3.38 3.38 285 3.85 2 3.86 2 542792
141 0.01 3.38 3.38 285 3.83 6 3.85 1 543176
142 0.01 3.38 3.38 285 3.83 6 3.85 1 543226
143 0.01 3.38 3.38 285 3.83 6 3.87 5 543226
144 0.01 3.38 3.38 285 3.82 11 3.83 19 543931
145 0.01 3.38 3.38 285 3.82 2 3.83 18 545396
146 0.01 3.38 3.38 285 3.82 1 3.82 1 545896
147 0.01 3.38 3.38 285 3.82 1 3.82 1 546896
148 0.01 3.38 3.38 285 3.82 1 3.83 18 546896
149 0.01 3.38 3.38 285 3.83 6 3.84 1 548771
150 0.01 3.38 3.38 285 3.83 6 3.87 18 549021
151 0.01 3.38 3.38 285 3.83 5 3.87 18 549121
152 0.01 3.38 3.38 285 3.83 10 3.87 18 549121
153 0.01 3.38 3.38 285 3.84 3 3.85 8 549121
154 0.01 3.38 3.38 285 3.84 2 3.85 8 549221
155 0.01 3.38 3.38 285 3.84 3 3.88 49 549421
156 0.01 3.38 3.38 285 3.84 4 3.88 49 549771
157 0.01 3.38 3.38 285 3.84 3 3.85 7 549771
158 0.01 3.38 3.38 285 3.84 3 3.85 7 549801
159 0.01 3.38 3.38 285 3.84 3 3.85 6 549901
160 0.01 3.38 3.38 285 3.83 10 3.84 6 550231
161 0.01 3.38 3.38 285 3.83 5 3.84 6 550231
162 0.01 3.38 3.38 285 3.82 12 3.84 6 550231
163 0.01 3.38 3.38 285 3.83 1 3.84 6 550231
164 0.01 3.38 3.38 285 3.84 4 3.85 6 551021
165 0.01 3.38 3.38 285 3.84 4 3.85 6 552294
166 0.01 3.38 3.38 285 3.84 4 3.85 4 552509
167 0.01 3.38 3.38 285 3.84 4 3.85 4 553509
168 0.01 3.38 3.38 285 3.84 4 3.85 4 553524
169 0.01 3.38 3.38 285 3.84 4 3.85 4 553529
170 0.01 3.38 3.38 285 3.84 4 3.85 4 553579
171 0.01 3.38 3.38 285 3.84 4 3.85 4 553679
172 0.01 3.38 3.38 285 3.83 1 3.84 2 554159
173 0.01 3.38 3.38 285 3.83 1 3.84 1 554167
174 0.01 3.38 3.38 285 3.83 1 3.84 2 554167
175 0.01 3.38 3.38 285 3.82 12 3.83 2 554267
176 0.01 3.38 3.38 285 3.82 12 3.83 1 554267
177 0.01 3.38 3.38 285 3.82 12 3.84 2 554267
178 0.01 3.38 3.38 285 3.82 12 3.84 2 555277
179 0.01 3.38 3.38 285 3.82 2 3.82 1 557459
180 0.01 3.38 3.38 285 3.82 1 3.83 2 557599
181 0.01 3.38 3.38 285 3.82 1 3.83 2 558099
182 0.01 3.38 3.38 285 3.82 1 3.84 2 558099
183 0.01 3.38 3.38 285 3.82 1 3.84 2 558599
184 0.01 3.38 3.38 285 3.80 1 3.82 2 561599
185 0.01 3.38 3.38 285 3.80 1 3.08 1 563050
186 0.01 3.38 3.38 285 3.80 6 3.81 1 563081
187 0.01 3.38 3.38 285 3.79 2 3.80 13 563732
188 0.01 3.38 3.38 285 3.79 1 3.80 13 564882
189 0.01 3.38 3.38 285 3.79 1 3.80 13 564898
190 0.01 3.38 3.38 285 3.78 2 3.79 1 565741
191 0.01 3.38 3.38 285 3.79 1 3.80 13 566241
192 0.01 3.38 3.38 285 3.77 6 3.78 4 566936
193 0.01 3.38 3.38 285 3.77 6 3.78 4 567036
194 0.01 3.38 3.38 285 3.75 2 3.77 11 569674
195 0.01 3.38 3.38 285 3.75 2 3.77 11 570324
196 0.01 3.38 3.38 285 3.75 7 3.77 5 571666
197 0.01 3.38 3.38 285 3.75 6 3.76 7 571766
198 0.01 3.38 3.38 285 3.73 10 3.75 5 573668
199 0.01 3.38 3.38 285 3.72 2 3.73 6 574993
200 0.01 3.38 3.38 285 3.73 16 3.75 6 575668
201 0.01 3.38 3.38 285 3.72 17 3.75 1 576518
202 0.01 3.38 3.38 285 3.72 12 3.76 7 577018
203 0.01 3.38 3.38 285 3.72 7 3.76 7 578336
204 0.01 3.38 3.38 285 3.70 20 3.72 13 579111
205 0.01 3.38 3.38 285 3.70 20 3.72 16 579511
206 0.01 3.38 3.38 285 3.07 17 3.72 16 579761
207 0.01 3.38 3.38 285 3.72 3 3.74 1 582000
208 0.01 3.38 3.38 285 3.72 3 3.74 1 584810
209 0.01 3.38 3.38 285 3.70 3 3.72 1 591186
210 0.01 3.38 3.38 285 3.69 5 3.72 1 592342
211 0.01 3.38 3.38 285 3.69 5 3.73 2 592498
212 0.01 3.38 3.38 285 3.70 3 3.73 2 592798
213 0.01 3.38 3.38 285 3.72 19 3.73 2 593674
214 0.01 3.38 3.38 285 3.73 1 3.76 15 595947
215 0.01 3.38 3.38 285 3.73 1 3.76 5 597082
216 0.01 3.38 3.38 285 3.73 9 3.75 1 597582
217 0.01 3.38 3.38 285 3.73 6 3.75 1 597583
218 0.01 3.38 3.38 285 3.73 6 3.76 17 597583
219 0.01 3.38 3.38 285 3.73 6 3.75 2 597583
220 0.01 3.38 3.38 285 3.73 6 3.75 2 598583
221 0.01 3.38 3.38 285 3.75 3 3.76 17 598783
222 0.01 3.38 3.38 285 3.74 5 3.75 2 599760
223 0.01 3.38 3.38 285 3.75 2 3.76 17 600055
224 0.01 3.38 3.38 285 3.75 2 3.76 3 600055
225 0.01 3.38 3.38 285 3.75 10 3.77 14 601955
226 0.01 3.38 3.38 285 3.75 12 3.77 14 601980
227 0.01 3.38 3.38 285 3.76 5 3.77 13 602222
228 0.01 3.38 3.38 285 3.76 5 3.77 2 603252
229 0.01 3.38 3.38 285 3.76 5 3.79 7 603252
230 0.01 3.38 3.38 285 3.77 2 3.79 7 603252
231 0.01 3.38 3.38 285 3.80 2 3.84 7 603972
232 0.01 3.38 3.38 285 3.80 2 3.84 7 604508
233 0.01 3.38 3.38 285 3.80 5 3.84 7 604508
234 0.01 3.38 3.38 285 3.80 26 3.84 7 609508
235 0.01 3.38 3.38 285 3.80 26 3.84 7 609508
236 0.01 3.38 3.38 285 3.80 25 3.84 7 610508
237 0.01 3.38 3.38 285 3.80 26 3.84 7 610508
238 0.01 3.38 3.38 285 3.81 5 3.84 7 610509
239 0.01 3.38 3.38 285 3.81 5 3.84 7 611000
240 0.01 3.38 3.38 285 3.81 4 3.84 7 612060
241 0.01 3.38 3.38 285 3.80 25 3.84 7 613779
242 0.01 3.38 3.38 285 3.80 25 3.83 5 613979
243 0.01 3.38 3.38 285 3.80 13 3.83 5 615519
244 0.01 3.38 3.38 285 3.77 1 3.8 3 616972
245 0.01 3.38 3.38 285 3.77 1 3.83 16 616972
246 0.01 3.38 3.38 285 3.77 1 3.83 16 617472
247 0.01 3.38 3.38 285 3.77 1 3.83 11 617472
248 0.01 3.38 3.38 285 3.77 1 3.83 11 617522
249 0.01 3.38 3.38 285 3.80 4 3.83 11 617522
250 0.01 3.38 3.38 285 3.81 9 3.83 11 617822
251 0.01 3.38 3.38 285 3.81 5 3.83 11 618222
252 0.01 3.38 3.38 285 3.81 5 3.83 11 618422
253 0.01 3.38 3.38 285 3.80 4 3.84 2 618922
254 0.01 3.38 3.38 285 3.80 4 3.84 13 618922
255 0.01 3.38 3.38 285 3.83 3 3.84 13 618922
256 0.01 3.38 3.38 285 3.77 1 3.8 3 623682
257 0.01 3.38 3.38 285 3.77 1 3.84 14 623982
258 0.01 3.38 3.38 285 3.78 2 3.84 14 623982
259 0.01 3.38 3.38 285 3.80 3 3.84 14 624002
260 0.01 3.38 3.38 285 3.80 4 3.84 14 624002
261 0.01 3.38 3.38 285 3.80 1 3.84 14 624002
262 0.01 3.38 3.38 285 3.80 2 3.84 14 624002
263 0.01 3.38 3.38 285 3.80 2 3.83 6 624097
264 0.01 3.38 3.38 285 3.81 2 3.83 6 624097
265 0.01 3.38 3.38 285 3.81 1 3.83 6 624297
266 0.01 3.38 3.38 285 3.81 1 3.82 5 625297
267 0.01 3.38 3.38 285 3.81 1 3.82 5 625667
268 0.01 3.38 3.38 285 3.81 1 3.82 5 625767
269 0.01 3.38 3.38 285 3.81 1 3.83 6 625767
270 0.01 3.38 3.38 285 3.81 1 3.83 6 625787
271 0.01 3.38 3.38 285 3.81 1 3.83 6 625802
272 0.01 3.38 3.38 285 3.81 1 3.83 6 625902
273 0.01 3.38 3.38 285 3.81 4 3.82 2 625990
274 0.01 3.38 3.38 285 3.82 12 3.83 6 626240
275 0.01 3.38 3.38 285 3.82 2 3.83 2 628039
276 0.01 3.38 3.38 285 3.82 2 3.83 2 628039
277 0.01 3.38 3.38 285 3.82 2 3.83 2 628339
278 0.01 3.38 3.38 285 3.82 21 3.83 2 628339
279 0.01 3.38 3.38 285 3.82 21 3.83 2 628339
280 0.01 3.38 3.38 285 3.83 2 3.84 2 628589
281 0.01 3.38 3.38 285 3.83 17 3.84 2 628589
282 0.01 3.38 3.38 285 3.83 20 3.84 5 628589
283 0.01 3.38 3.38 285 3.84 1 3.85 4 629169
284 0.01 3.38 3.38 285 3.83 14 3.84 1 629569
285 0.01 3.38 3.38 285 3.84 4 3.85 2 630204
286 0.01 3.38 3.38 285 3.84 4 3.85 2 630254
287 0.01 3.38 3.38 285 3.84 4 3.85 2 630396
【问题讨论】：
如果您查看at the documentation for MinMaxScaler，您会发现您的scaled_df 应该是numpy array of shape [n_samples, n_features]，它显然有shape=(0, 11)（请参阅ValueError 消息）。查看this similar question，您的lookback_window_size 似乎完全适合您的df 大小，因此不需要标准化。
感谢@Asmus，但我仍然不清楚这意味着什么。所以现在我正在尝试使回溯期正常化，但这没有必要吗？因此，在我的示例中，我如何将回溯从规范化过程中取出，但仍用作观察数组的一部分？
@Asmus 我用我的数据集的一部分更新了我的问题。也许你可以看看。谢谢！
scaled_df 在scaled_df = self.active_df.values[:end].astype('float64') 之后的样子是什么？
@ASGM 抱歉，我不确定你在问什么？
【参考方案1】：
我找到了答案。
我换行了：
scaled_df = pd.DataFrame(end, columns=self.df.columns)
...阅读：
scaled_df = pd.DataFrame(data=scaled_df, columns=self.df.columns)
...然后改变了：
self.observation_space = spaces.Box(
low=0, high=1, shape=(10, lookback_window_size + 1), dtype=np.float16)
...拥有14 而不是10，它可以工作。谢谢大家。
【讨论】：
以上是关于Python 3 - ValueError: 找到包含 0 个样本的数组 (shape=(0, 11))，而 MinMaxScaler 至少需要 1的主要内容，如果未能解决你的问题，请参考以下文章
Ibis Python 帮助：ValueError：找到多个后端
如何解决 Python 中的“ValueError：找到样本数量不一致的输入变量”问题
Python Scikit Learn 错误：ValueError：“找到样本数量不一致的输入变量：[4, 10]”
如何在 keras lambda 层中使用 tf.py_func 来包装 python 代码。 ValueError：应定义 Dense 输入的最后一个维度。没有找到