scikit-learn 1.0 强制特征名称对齐，predict() 严格校验列名与顺序；0.24 几乎不校验，训练用 dataframe、预测用 ndarray 可能静默通过。1.0 新增 model.feature_names_in_ 属性，记录训练列名，且 columntransformer 默认 remainder='drop'，易引发列数不匹配报错。
Scikit-learn 1.0 强制要求特征名称对齐，0.24 几乎不校验——如果你训练用 DataFrame、预测用 numpy.ndarray，0.24 可能静默通过，1.0 会直接报错。
predict() 输入类型不一致时，1.0 会严格比对列名与顺序
0.24 版本中，SVC、RandomForestClassifier 等模型对输入类型宽容：训练时传 pd.DataFrame(X_train, columns=['a', 'b'])，预测时传 np.array([[1, 2]])，只要维度匹配就跑得通。1.0 则会在 predict() 时检查 X.columns 是否等于训练时的 model.feature_names_in_；若传入 ndarray，它会尝试推断列名失败，抛出 ValueError: Number of features must match，哪怕 shape 完全一样。
常见触发场景：
- pipeline 中用了
ColumnTransformer+OneHotEncoder，训练时喂DataFrame，但线上预测只构造了ndarray - 用
model.feature_names_in_手动构造预测数据，但列顺序写反了（比如['age', 'income']vs['income', 'age']） - 训练后保存模型，加载时没同步保存原始
DataFrame的列信息，导致重建输入时丢失顺序
feature_names_in_ 成为 1.0+ 的标配属性，0.24 没有
model.feature_names_in_ 是 1.0 新增的只读属性，记录训练时输入的列名（仅当输入是 DataFrame 或带 feature_names 的 DictVectorizer 等）。0.24 根本不存在这个属性，调用会报 AttributeError。它不是可选功能，而是 1.0 内部校验逻辑的基础设施。
调试建议：
- 预测前先打印
model.feature_names_in_和你的输入X的列名或形状：print(model.feature_names_in_, getattr(X, 'columns', None)) - 若必须用
ndarray，确保列顺序与model.feature_names_in_严格一致，可用np.array(X)[:, [1, 0]]显式重排 - 避免依赖
model.feature_names_in_的存在来写兼容代码——0.24 环境下它不存在，1.0 下它一定存在且非空（只要训练输入带名）
ColumnTransformer 默认 remainder 行为变化影响特征名传递
0.24 中 ColumnTransformer 默认 remainder='passthrough'，未指定的列会原样保留并参与后续步骤（如传给 SVC），其列名会被继承；1.0+（特别是 ≥1.2）默认改为 remainder='drop'，未匹配的列直接丢弃，导致最终送入 estimator 的列数变少、列名缺失，feature_names_in_ 记录的也是过滤后的名字。
后果：
- 同一份配置 YAML，在 0.24 下训练出的模型有 10 个特征名，1.0 下只有 7 个
- 预测时若仍按旧逻辑构造 10 列输入，1.0 会因列数不匹配报错，而 0.24 可能靠
passthrough把多出的列也塞进去 - 修复方式：显式设
remainder='passthrough'，或在 pipeline 开头加FunctionTransformer统一处理列名
最易被忽略的一点：特征名校验不是“开关式”行为，它嵌在 predict()、transform()、score() 等多个方法里，且只在输入为 DataFrame 时激活——你可能在 fit() 阶段一切正常，直到第一次 predict() 才暴露问题。
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！
