deepchecks不能替代单元测试，专用于数据质量、模型漂移和训练-推理不一致；常见报错源于输入格式不合规（如嵌套结构、multiindex、pyarrow类型）、标签列未对齐或缺失、classimbalance检查配置不当、模型缺乏predict_proba方法等。
Deepchecks 不能直接替代单元测试，它专为数据质量、模型性能漂移和训练-推理不一致设计；用错场景会白费力气。
为什么 deepchecks.tabular.Dataset 初始化总报 ValueError: Unsupported data format
常见原因是传入了未经处理的原始 DataFrame（比如含 list、dict、嵌套结构或未对齐索引），或者用了 pandas 2.0+ 的新类型（如 string[pyarrow]）。Deepchecks 对输入格式非常敏感。
- 确保所有列都是基础 dtype：
df.select_dtypes(include=['number', 'category', 'object'])后再检查df.dtypes，把object列中实际是字符串的显式转成str（df[col] = df[col].astype(str)） - 禁止传入带 MultiIndex 的 DataFrame；调用
df.reset_index(drop=True)再传 - 如果用了 PyArrow-backed string 类型，先强制转回 Python string：
df = df.convert_dtypes(dtype_backend='numpy_nullable')或逐列astype(str) - 标签列（
label）必须是 1D，且长度与特征完全一致；若用sklearn.model_selection.train_test_split分割过，记得同步传入y_train和y_test，别只传 X
跑 deepchecks.tabular.checks.ClassImbalance 却没报任何问题，但明明类别严重不均
默认行为只在训练集上运行，且只触发警告（not error），容易被忽略。它也不会自动识别你是否在做二分类——如果 label 是字符串或类别型，需显式告诉它任务类型。
- 加上
check.run(train_dataset=train_ds, test_dataset=test_ds)显式传入两个 dataset，否则它只看 train - 初始化 check 时指定
ClassImbalance(n_samples=50)降低阈值（默认 100），小数据集才容易触发 - 如果 label 是 category 类型，确保
train_ds = Dataset(df, label='target', cat_features=['col1'])中cat_features包含 label 列，否则可能被当数值处理 - 输出结果里看
display()而非只看result.value，因为 imbalance 比例藏在 HTML 表格里，value只返回布尔
用 DeepchecksModelEvaluation 报 NotImplementedError: predict_proba not implemented
这是最常踩的坑：Deepchecks 默认调用 model.predict_proba() 做概率校准分析，但很多模型（比如 sklearn 的 SVC、XGBClassifier 默认不开启）根本不提供该方法。
- 对
XGBClassifier，初始化时加use_label_encoder=False, eval_metric='logloss'并确保训练时用了objective='binary:logistic'，然后调用predict_proba才可用 - 对
SVC，必须手动包装：from sklearn.calibration import CalibratedClassifierCV; model = CalibratedClassifierCV(SVC()) - 实在不想改模型？换用
ModelInferenceTime或UnusedFeatures这类不依赖predict_proba的检查 - 或者绕过——传
model_classes和自定义prediction_formatter函数，把predict()输出强行映射成概率格式（但注意这会让某些检查失效）
真正难的不是跑通 Deepchecks，而是判断哪条检查结果值得干预：比如 TrainTestFeatureDrift 显示某列 p-value=0.049，它确实“显著”，但业务上该特征本来就会随时间缓慢变化，这时候要关掉统计检验，改用阈值比对（drift_ratio_threshold=0.1）。
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！
