scikit-learn所有算法必须使用numpy.ndarray作为输入，因其内部依赖numpy的向量化运算和线性代数函数，不支持原生list、dict或未经转换的dataframe。
因为 scikit-learn 所有算法内部都直接操作 numpy.ndarray，不支持原生 Python list、dict 或 Pandas DataFrame（未经转换）。
scikit-learn 的输入必须是二维 NumPy 数组或兼容数组
几乎所有 fit() 和 predict() 方法都要求 X 是 shape 为 (n_samples, n_features) 的 numpy.ndarray。传入 pandas.DataFrame 虽然常能“侥幸运行”，但本质是被自动调用 .values 转成 ndarray；一旦列含字符串、category 或缺失类型不一致，就会报错：
ValueError: Expected 2D array, got 1D array instead-
TypeError: A sparse matrix was passed, but dense data is required（没转稠密阵） ValueError: Input contains NaN, infinity or a value too large for dtype('float64')
这些错误的根因几乎都指向：数据没按 numpy 要求对齐——类型统一、无嵌套、无混合结构。
NumPy 提供了 scikit-learn 需要的底层计算能力
scikit-learn 自身不实现矩阵乘法、SVD、特征值分解等核心运算，而是直接调用 numpy.linalg 和 scipy.linalg。例如：
-
LinearRegression.fit()调用np.linalg.lstsq() -
PCA.fit()调用np.linalg.svd()或scipy.sparse.linalg.eigsh() -
StandardScaler.fit_transform()依赖np.mean()和np.std()的向量化广播机制
没有 numpy 的 ndarray 和广播规则，这些操作就得写循环，性能会差 10–100 倍，且无法利用 CPU 向量化指令。
为什么不能只用 Pandas 替代 NumPy？
Pandas 是构建在 NumPy 之上的高层封装，它带来便利的同时也引入开销和约束：
-
DataFrame支持异构列（数值+字符串），但scikit-learn模型只能处理同构数值特征 -
pd.Series索引对齐逻辑会干扰模型内部的样本顺序假设 - 很多预处理器（如
OneHotEncoder）输出的是scipy.sparse矩阵，而 Pandas 不原生支持稀疏格式 - 当用
joblib保存模型时，numpy数组序列化快、体积小；Pandas 对象序列化慢、体积大、兼容性差
所以实践中推荐：用 Pandas 做清洗和探索，用 .to_numpy() 或 .values 显式转成 ndarray 再进 scikit-learn 流水线。
安装时 pip 为什么总连带装 NumPy？
因为 scikit-learn 的 setup.py 和 pyproject.toml 中明确声明了 numpy 为 install_requires —— 它不是可选依赖，而是硬性前置条件。即使你手动删掉 NumPy，import sklearn 也会立即失败并抛出：
ModuleNotFoundError: No module named 'numpy'
这不是版本警告，是导入即崩。连 sklearn.__version__ 都取不到。
真正容易被忽略的点在于：NumPy 版本必须与 scikit-learn 编译时绑定的 ABI 兼容。比如 scikit-learn 1.5.x 要求 NumPy ≥ 1.21.6；用太老的 NumPy（如 1.19）可能引发 AttributeError: module 'numpy' has no attribute 'float128' 这类隐晦报错——它不提示版本问题，只说属性不存在。
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！
