Функция, вызываемая на датафрейме, не может правильно ее проиндексировать

Question

Я занимаюсь небольшим проектом машинного обучения. Я собрал все тикеры для компании в S & P500 в кадре данных вместе с их ежедневными значениями. Проблема в том, что когда я вызываю функцию

do_ml('BAC')

, я получаю эту ошибку:

Traceback (most recent call last):
  File "c:\Users\giuli\Desktop\UDEMY COURSES\finance\Git_rep\processing _for_ml.py", line 87, in <module>
    do_ml('BAC')
  File "c:\Users\giuli\Desktop\UDEMY COURSES\finance\Git_rep\processing _for_ml.py", line 72, in do_ml
    X,y,df = extract_featuresets(ticker)
  File "c:\Users\giuli\Desktop\UDEMY COURSES\finance\Git_rep\processing _for_ml.py", line 46, in extract_featuresets
    df['{}_d1'.format(ticker)],
  File "C:\Python37\lib\site-packages\pandas\core\frame.py", line 2980, in __getitem__
    indexer = self.columns.get_loc(key)
  File "C:\Python37\lib\site-packages\pandas\core\indexes\base.py", line 2899, in get_loc
    return self._engine.get_loc(self._maybe_cast_indexer(key))
  File "pandas\_libs\index.pyx", line 107, in pandas._libs.index.IndexEngine.get_loc
  File "pandas\_libs\index.pyx", line 126, in pandas._libs.index.IndexEngine.get_loc
  File "pandas\_libs\index.pyx", line 152, in pandas._libs.index.IndexEngine._get_loc_duplicates
  File "pandas\_libs\index.pyx", line 169, in pandas._libs.index.IndexEngine._maybe_get_bool_indexer
KeyError: 'BAC_d1'

Это все функции, включенные в функцию, которая называется:

def remove_extra_characters(df):
    df.rename(columns={old:old.strip() for old in df.columns}, inplace=True)


def process_data_for_labels(ticker):
    hm_days=7
    df = pd.read_csv('sp500_joined_closes.csv', index_col = 0 )

    tickers = df.columns.values.tolist()
    df.fillna(0, inplace=True)
    remove_extra_characters(df)

    for i in range(1, hm_days+1):
        df['{}_{}d'.format(ticker, i)] = (df[ticker].shift(-i) - df[ticker]) / df[ticker]

    print(df)

    df.fillna(0,inplace=True)

    return tickers, df



def buy_sell_hold(*args):
    cols = [c for c in args]
    requirements = 0.02
    for col in cols:
        if col > requirements:
            return 1
        if col < requirements:
            return -1
    return 0

def extract_featuresets(ticker):
    tickers, df = process_data_for_labels(ticker)

    df['{}_target'.format(ticker)] = list(map( buy_sell_hold,
                                               df['{}_d1'.format(ticker)],
                                               df['{}_d2'.format(ticker)],
                                               df['{}_d3'.format(ticker)],
                                               df['{}_d4'.format(ticker)],
                                               df['{}_d5'.format(ticker)],
                                               df['{}_d6'.format(ticker)],
                                               df['{}_d7'.format(ticker)]))

    vals = df['{}target'.format(ticker)].values.tolist()
    str_vals= [str(i) for i in vals]
    print('Data spread:', Counter(str_vals))
    df.fillna(0, inplace=True)

    df = df.replace([np.inf, -np.inf], np.nan)
    df.dropna(inplace=True)

    df_vals = df[[ticker for ticker in tickers]].pct_change()
    df_vals = df_vals.replace([np.inf, -np.inf], 0)
    df_vals.fillna(0, inplace=True)

    X = df_vals.values #Percent change data of comanies.
    y = df['{}target'.format(ticker)].values #target

    return X, y, df

def do_ml(ticker):
    X,y,df = extract_featuresets(ticker)
    #setting sets for training and testing giving it 25% of the size each.
    X_train, X_test, y_train, y_test = cross_validation.train_test_split(X,
                                                                         y,
                                                                         test_size = 0.25)
    #selecting classifier
    clf = neighbors.KNeighborsClassifier()
    #fitting data in classifier
    clf.fit(X_train, y_train)

    confidence = clf.score(X_test, y_test)
    predictions = clf.predict(X_test)
    print('Predicted spread:', Counter(predictions))
    return confidence

Проблема определенно в функции extract_feature. То, что я делаю, - это просто создание 7 столбцов в моем фрейме данных, где каждый из них содержит значение, которое пытается предсказать, как изменится цена за этот день (поэтому в фрейме данных будут отображаться изменения для каждого дня на следующей неделе. )