scikit-learn中真正支持增量学习的模型仅有sgdclassifier、sgdregressor、passiveaggressiveclassifier、multinomialnb和minibatchkmeans，且首次partial_fit必须预设classes或n_clusters，randomforest等主流模型完全不支持。
Scikit-learn 本身不支持流式数据处理——它所有核心估计器（fit、predict）都要求全部数据一次性载入内存，没有内置的 partial_fit 接口或状态持久化机制。
哪些模型能“假装”流式？但有严格限制
只有少数几个类实现了 partial_fit，且必须满足：数据分布稳定、类别/特征空间固定、不能动态增维。常见可用模型包括：
-
SGDClassifier和SGDRegressor：需提前用classes=参数显式声明所有可能标签，否则首次partial_fit后无法新增类别 -
MiniBatchKMeans：仅适用于聚类，且n_clusters必须预先确定，不能在线发现新簇 -
PassiveAggressiveClassifier：对输入顺序敏感，收敛行为不稳定，不适用于带时间依赖的序列数据
像 RandomForest、SVM、LogisticRegression（非 SGD 版）等主流模型完全不支持增量更新——强行分块 fit 会覆盖前一次模型参数，不是流式，是错误重训。
预处理环节最容易踩坑
流式场景下，StandardScaler、OneHotEncoder、TfidfVectorizer 这些 transformer 默认不保存统计量或词表，每次 fit_transform 都重建。后果是：
- 标准化结果不一致：每批数据算自己的均值/方差，导致特征尺度漂移
- 向量化维度爆炸：不同批次生成不同词汇表，
vstack拼接后稀疏矩阵列数不匹配 - 解决办法是：先用历史全量数据
fit一次，后续所有批次只调用transform；若无历史数据，得用IncrementalPCA或HashingVectorizer这类无状态组件
真正卡住的不是算法，而是 IO + 内存模型
所谓“流式”，常被误认为“边读边算”，但 scikit-learn 的瓶颈其实在数据加载阶段：
-
pd.read_csv(..., chunksize=N)返回的是迭代器，但每次next()仍要解析整块 CSV，IO 瓶颈未解 - 若用
load_svmlight_file读稀疏数据，它内部用 Pythonlist.append()累积非零项，无预分配、无 mmap，1GB 文件可卡住十几分钟 - 更现实的做法是：把原始流数据先落盘为
joblib.dump缓存（含csr_matrix和dtype=np.float32），下次直接joblib.load——从分钟级降到秒级，但注意缓存文件与 NumPy 版本强绑定，别放 NFS
scikit-learn 的设计哲学就是“批处理优先”，它没打算做流计算引擎。真要处理 Kafka 实时日志或 IoT 设备持续上报，该换 river、creme 或 PySpark MLlib。
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！
