Sklearn KMeans手动修改聚类中心后，序列化反序列化结果不一致

我正在使用Sklearn 0.24.2版本的KMeans模型进行向量量化，通过Kiefer-Wolfowitz算法的变体手动修改聚类中心以实现优化。提取聚类中心调整后重新赋值给模型，但使用Pickle（也尝试过Joblib）保存并重新加载模型后，量化器的评估结果出现差异。

用于获取和设置聚类中心的方法：

def getWeights():
   return self.kmeans.cluster_centers_.flatten()
def setWeights(weights):
   kmeans.cluster_centers_ = weights.reshape(self.clusters, self.dim)

模型保存与加载代码：

# 保存
with open(os.path.join(savepath, savename + '.pkl'), 'wb') as f:
            pickle.dump(self.kmeans, f)

# 加载
with open(os.path.join(savepath, savename + '.pkl'), 'rb') as f:
            self.kmeans  = pickle.load(f)

通过np.sum(cc1 - cc2)对比加载前后的聚类中心，得到差异值：[-23657.44412046 -27826.84822967 -34863.87009913 -22867.6671942 -31120.73019114]。

请问该差异的原因是什么？是Pickle未保存全精度，还是版本问题？当前使用Python 3.6，因依赖限制无法升级。

可能的核心原因 #

• Sklearn模型序列化的状态同步问题：Sklearn的KMeans模型除了cluster_centers_，还有内部维护的状态变量（如_n_features_in_、_fit_status_等）。手动修改cluster_centers_后，这些衍生状态并未同步更新，导致保存后加载的模型在执行评估、预测时，内部逻辑依赖了未同步的状态，最终出现结果偏差。
• NumPy数组的类型/形状异常：检查保存前后cluster_centers_的dtype和形状是否一致。如果手动修改时误将数组类型从float64转为float32（或反之），或reshape时维度匹配错误，会导致序列化后数值出现大幅偏差——你给出的差异值量级很大，更倾向于这类问题。
• 旧版本Sklearn的序列化bug：Sklearn 0.24.2对Python 3.6的支持虽存在，但针对手动修改模型属性的场景，__getstate__/__setstate__序列化逻辑可能存在疏漏，导致手动赋值的cluster_centers_未被完整保存。

验证步骤 #

1. 排除模型本身的临时状态问题：保存前连续两次调用评估，看结果是否一致。如果一致，说明问题确实出在保存加载环节。
2. 直接对比数组二进制：打印保存前和加载后cluster_centers_.tobytes()，若二进制不一致，说明序列化过程中数组被篡改。
3. 单独序列化聚类中心：用np.save/np.load单独保存cluster_centers_，加载后重新赋值给模型，再评估。如果结果正常，说明是Pickle对整个模型序列化的问题，而非数组本身的精度问题。

内容的提问来源于stack exchange，提问作者Blinski