先检查报错链中首个失败模块：若import numpy失败则优先解决numpy；若import scipy失败再处理scipy；最后才是sklearn。windows需装microsoft visual c++ 2015–2022 redistributable(x64)，conda环境务必用conda install而非pip混装，用gohlke whl包时须严格按numpy→scipy→sklearn顺序安装。
先确认到底是哪个模块在报DLL错误
错误信息里ImportError: DLL load failed本身不指明根源，真正关键的是 traceback 里最上面几行指向的模块。比如：
- 如果报错停在
from numpy.core._multiarray_umath import *，问题出在numpy - 如果卡在
from scipy.sparse.linalg import lsqr，那scipy才是瓶颈 - 只有当
numpy和scipy都能正常import，才轮到sklearn自身的 C 扩展（如_pairwise_fast）出问题
别猜，直接逐个验证：
python -c "import numpy" python -c "import scipy" python -c "import sklearn"
哪个最先失败，就优先修它——90% 的 case 是 numpy 或 scipy 先挂。
Windows 必装 Visual C++ 2015–2022 Redistributable (x64)
sklearn 及其依赖（尤其是带 MKL 加速的 numpy/scipy）必须靠这个运行库加载 DLL。缺了、版本旧了、只装了 x86 版，都会触发“找不到指定的程序”。
- 去微软官网搜
Microsoft Visual C++ 2015-2022 Redistributable (x64)，下最新版安装 - Python 3.7–3.9 用户额外检查是否装了单独的
vc140（Visual C++ 2015）运行库 - 装完务必重启命令行或终端，否则 PATH 不生效
别信系统自带的旧版本，也别用第三方清理工具删掉它——重装是最稳的。
conda 环境里别用 pip 混装 sklearn
conda 和 pip 混用容易导致二进制 ABI 不兼容，尤其在 Windows 上极易引发 DLL 冲突。
- 激活环境后，统一用
conda install scikit-learn，而不是pip install scikit-learn - 如果已混装过，先执行
conda uninstall scikit-learn，再conda install scikit-learn - 遇到
RemoveError: 'setuptools' is a dependency of conda...？先运行conda update conda，再重试
conda 官方渠道打包时已预置好 MKL 和 VC++ 适配，比 pip + whl 更省心。
用 Gohlke 的预编译 whl 包要按顺序装
如果你坚持用 pip（比如离线部署），必须严格按 numpy → scipy → scikit-learn 顺序安装 Gohlke 提供的带 MKL 的 whl 包。
- 访问
https://www.lfd.uci.edu/~gohlke/pythonlibs/ - 查清你的 Python 版本和架构：
python -c "import pip._internal; print(pip._internal.pep425tags.get_supported()[0])"（输出类似('cp39', 'cp39', 'win_amd64')） - 依次下载并安装：
numpy‑1.21.6+mkl‑cp39‑cp39‑win_amd64.whl→scipy‑1.7.3‑cp39‑cp39‑win_amd64.whl→scikit_learn‑1.0.2‑cp39‑cp39‑win_amd64.whl
跳过 numpy 或 scipy 直接装 scikit-learn，whl 会拉取 pip 默认源的无 MKL 版本，照样 DLL 失败。
最常被忽略的其实是顺序和运行库——不是 sklearn 本身坏了，而是它张嘴要吃的那几口饭，你没按规矩端上来。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
