根本原因是joblib只保存函数引用路径而非函数体，加载时模块路径变更或函数不在原始导入路径下就会报错；应将自定义类/函数移至独立.py文件并确保稳定import路径。
为什么 joblib.load() 报错说找不到自定义函数？
根本原因是 joblib（以及 pickle）序列化时只保存函数的「引用路径」，不保存函数体。如果加载时模块结构变了、文件重命名了、或者函数定义不在原始导入路径下，joblib.load() 就会抛 ModuleNotFoundError 或 AttributeError。
常见错误现象：
ModuleNotFoundError: No module named 'my_preprocessor'-
AttributeError: Can't get attribute 'MyTransformer' on <module></module>（尤其在 Jupyter 或脚本直跑时） - 保存时正常，换一台机器或新终端加载就失败
把自定义类/函数移到独立 .py 文件并确保 import 路径稳定
这是最可靠、生产环境唯一推荐的做法。别把 Transformer 类写在 notebook 里或 if __name__ == '__main__': 下——那些属于 __main__ 模块，无法被跨进程反序列化。
实操建议：
- 新建
transforms.py，把class MyCustomScaler(BaseEstimator, TransformerMixin):定义放进去 - 在训练脚本中用
from transforms import MyCustomScaler导入，而非直接定义在全局作用域 - 保存前确认：运行
import transforms; print(transforms.MyCustomScaler)不报错，且路径可 import - 部署时，确保
transforms.py和模型文件在同一层级，或已加入sys.path
避免用 lambda 或嵌套函数定义 transformer 的 fit/transform
lambda 和闭包函数在 pickle 中极难还原，joblib 通常直接失败。即使看似能存，加载后调用也会抛 TypeError: can't pickle function objects。
错误写法示例：
pipe = Pipeline([
('scale', FunctionTransformer(lambda x: (x - x.mean()) / x.std()))
])
正确替代方案：
- 改用内置函数如
StandardScaler，或 - 写一个顶层函数（非 lambda，有明确模块路径）：
def my_std_scale(x): return (x - x.mean()) / x.std()，再传给FunctionTransformer(my_std_scale) - 确保该函数所在模块可被 import，且不依赖局部变量或外部闭包状态
保存和加载时显式指定 joblib 协议与模块兼容性
旧版本 joblib 默认用低协议，对跨 Python 版本更敏感；新协议（v4+）支持更多对象类型，但需两端一致。
实操建议：
- 保存时强制用高协议：
joblib.dump(pipe, 'model.joblib', compress=3, protocol=4) - 加载前检查 Python 和 joblib 版本是否匹配：
python -c "import joblib; print(joblib.__version__)" - 若需跨 Python 3.8 ↔ 3.11，优先用
protocol=4（对应 pickle protocol 4），避免用protocol=5（3.8 不支持） - 不用
sklearn.externals.joblib（已弃用），始终用独立安装的joblib
真正麻烦的不是保存，而是让加载环境“看起来和保存时一模一样”——模块名、路径、Python 版本、甚至虚拟环境结构，差一点都可能失败。
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！
