sklearn无法直接调用dask.dataframe，因其要求内存中完整数组而dask是惰性计算；必须使用dask_ml专用类并全程采用dask.array（需lengths=true），且参数语义与sklearn差异显著。
直接用 sklearn 调 dask.DataFrame 会失败
这不是配置问题，而是根本路径错误。常见报错包括 ValueError: Expected 2D array, got 1D array instead 或静默地只用第一分区训练——因为 sklearn 所有 .fit() 方法都要求输入是内存中完整的 numpy.ndarray 或 pandas.DataFrame，而 dask.DataFrame 是惰性对象，不触发 .compute() 就没数据，一调 .compute() 又退化成单机加载，极易 MemoryError。
- 别写
model.fit(ddf[features].compute(), ddf[target].compute()) - 也别指望给
sklearn.RandomForestClassifier(n_jobs=-1)加个参数就能分布式——它只在单机多核生效，对dask分区无效 - 真正能跑分布式的，只有
dask_ml提供的专用类，且必须全程用dask原生数据结构
dask_ml 的输入必须是 dask.array，不是 dask.DataFrame
dask_ml.ensemble.RandomForestClassifier 看似和 sklearn 同名，但内部不接受 dask.DataFrame 直接传入。它需要显式转为 dask.array，否则会因无法推断分区形状而报错或行为异常。
- 正确做法：用
ddf[features].to_dask_array(lengths=True)——lengths=True是关键，它告诉 Dask 每个分区的实际长度，否则调度器无法均匀切分样本 - 标签列同样要转：
y = ddf[target].to_dask_array(lengths=True) - 如果漏掉
lengths=True，模型可能只训练前几个分区，或抛出ValueError: arrays used as indices must be of integer (or boolean) type
dask_ml 和 sklearn 参数行为差异极大
同名参数不代表同义。比如 n_estimators 在 dask_ml 中控制的是总树数，但每棵树是在不同 worker 上并行构建子样本，而不是靠 n_jobs 多线程开多棵。
-
max_samples必须显式设（如max_samples=1.0），否则默认只用首分区数据训练，其余被忽略 -
sample_weight当前完全不支持传dask.array，只能均匀采样；若需加权，得先在预处理阶段按权重重采样并保存为新dask.DataFrame -
oob_score、class_weight、ccp_alpha等高级选项尚未实现——不是 bug，是分布式语义尚不明确，官方文档明确标注为 “not supported”
部署前必须确认安装带 ML 支持的 Dask
pip install dask 或 conda install dask 默认不含 dask_ml。漏装会导致导入 dask_ml.ensemble 时直接报 ModuleNotFoundError，且错误信息不提示缺什么模块。
- 正确安装命令：
pip install "dask[dataframe,ml]"（注意引号，防止 shell 把方括号当通配符） - 验证是否装全：
python -c "import dask_ml; print(dask_ml.__version__)" - 若用 conda，推荐
conda install -c conda-forge dask dask-ml，避免 pip/conda 混装导致版本冲突
sklearn 的经验直接套到 dask_ml 上。它不是插件，是一套重写的、仅 API 兼容的分布式实现，连“训练完成”的定义都不同：你看到 .fit() 返回，不等于所有树已建完，而是任务已提交到调度器，后续状态得看 Dashboard 或日志。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！
