使用sklearn pipeline拟合模型时matmul出现RuntimeWarning问题排查

以下是导致该问题的核心原因，以及复制数组后解决问题的逻辑：

• 内存布局不匹配：numpy数组存在C行优先、Fortran列优先两种内存布局。原矩阵X可能是Fortran顺序，转置后的X.T会变成C顺序，两者直接做矩阵乘法时，内存对齐方式冲突，触发底层运算异常。执行X.copy()会默认生成C顺序的连续数组，转置后与副本的内存布局兼容，运算正常。
• 数组是视图而非独立副本：如果X是通过切片、转置、广播或其他预处理操作生成的视图，它会共享原数组的内存空间。大型矩阵运算时，视图的内存访问可能出现竞争或越界，导致报错。X.copy()创建独立的内存副本，彻底脱离原数组的内存依赖，消除了视图带来的潜在问题。
• 非连续数组的兼容性问题：sklearn的extmath.py中矩阵乘法逻辑对输入数组的连续性有要求。经过多轮预处理后的X可能变成非连续数组（内存地址不连续），这种数组在参与底层BLAS/LAPACK库运算时容易出现未定义行为。复制操作会将数组转为连续内存块，符合库的运算要求。

内容的提问来源于stack exchange，提问作者Hyung-Jo Kwon