如何在Scikit-learn KMeans中用预训练质心直接调用predict而不fit？

Scikit-learn的KMeans estimator必须完成拟合（调用过fit）才能调用predict，否则会抛出NotFittedError。要直接用预定义质心实现预测，有两种可靠方案：

方案一：手动设置模型拟合属性 #

直接给KMeans实例赋值预定义质心，并补充必要的拟合标记属性：

from sklearn.cluster import KMeans
import numpy as np

# 提取预定义质心
centroids = np.array(models['primary'])
n_clusters = centroids.shape[0]
n_features = centroids.shape[1]

# 初始化模型
kmeans = KMeans(n_clusters=n_clusters)
# 手动设置质心
kmeans.cluster_centers_ = centroids
# 新版本Scikit-learn需指定输入特征数，避免维度检查错误
kmeans.n_features_in_ = n_features

# 直接执行预测
predictions = kmeans.predict(inference_data)

方案二：用空数据快速执行fit（无计算开销） #

通过设置max_iter=0和n_init=1，调用fit时传入空数据，让模型标记为已拟合但不修改质心：

from sklearn.cluster import KMeans
import numpy as np

# 提取预定义质心
centroids = np.array(models['primary'])
n_features = centroids.shape[1]

# 初始化模型，禁用迭代和重复初始化
kmeans = KMeans(init=centroids, n_clusters=len(centroids), n_init=1, max_iter=0)
# 传入空数据完成拟合标记，无实际聚类计算
kmeans.fit(np.empty((0, n_features)))

# 执行预测
predictions = kmeans.predict(inference_data)

两种方案都能实现目标：方案一更直接，方案二更贴合Scikit-learn的API设计，避免遗漏内部属性导致的潜在问题。

内容的提问来源于stack exchange，提问作者Aman Rai