Scikit-learn PCA拟合卡住、内核崩溃问题求助

你的数据集规模为1873行×64列，属于极小体量，官方实现的PCA对该规模数据的拟合耗时应在毫秒级。出现运行数小时无结果、200行样本就触发内核崩溃的问题，核心原因集中在三类：

• 输入数据存在隐性类型问题：虽然你做了inf、NaN清洗，但如果部分列的dtype为object类型（比如混了隐藏字符串、未被识别的非数值内容），sklearn做类型隐式转换时会触发内存溢出、死循环，直接导致内核被杀。
• 特征尺度差异过大触发数值计算异常：如果不同特征的数值量级差超过1e6，协方差矩阵计算时会出现数值溢出，导致底层线性代数库进入异常计算逻辑，长时间无返回。
• 接口导入/环境异常：若误拼模块名（比如错写为sklearn.decomposite）导入了非官方第三方实现的PCA，或是本地sklearn、numpy版本过旧存在兼容bug，也会出现完全不符合预期的运行表现。

按以下步骤排查修复，即可正常完成降维：

1. 先做数据合法性校验，强制转换为标准数值矩阵
   运行以下代码确认数据状态，排除类型问题：

   import numpy as np
   import pandas as pd
   # 强制把所有列转成数值类型，无法转换的内容置为NaN后删除
   X = X.apply(pd.to_numeric, errors='coerce').dropna()
   # 转为float64类型的numpy数组，避免pandas DataFrame的兼容问题
   X_np = X.values.astype(np.float64)
   # 二次校验异常值
   assert not np.isnan(X_np).any(), "数据中仍存在NaN"
   assert not np.isinf(X_np).any(), "数据中仍存在无穷值"
   print(f"数据矩阵内存占用：{X_np.nbytes/1024/1024:.2f}MB")
   

   正常情况下该数据内存占用不到1MB，无断言报错即可进入下一步。
2. 标准化特征后执行PCA
   PCA基于方差计算，对特征尺度非常敏感，必须先做标准化，同时指定稳定的SVD求解器避免计算卡死：

   from sklearn.decomposition import PCA
   from sklearn.preprocessing import StandardScaler
   
   # 特征标准化：将所有特征缩放到均值为0、方差为1
   scaler = StandardScaler()
   X_scaled = scaler.fit_transform(X_np)
   
   # 导入官方PCA接口，注意模块名为decomposition，不要拼写错误
   # 指定svd_solver为randomized，小数据下计算速度快、稳定性高
   pca = PCA(n_components=20, random_state=111, svd_solver='randomized')
   X_pca = pca.fit_transform(X_scaled)
   

   该步骤在普通PC上全量数据运行耗时不会超过1秒。
3. 仍异常时排查环境问题
   • 运行import sklearn; print(sklearn.__version__)确认sklearn版本，版本低于0.24时先升级到新版，旧版本存在DataFrame输入、线性代数计算的已知bug。
   • 观察运行时内存占用，如果内存瞬间占满，说明本地numpy、scipy未绑定优化BLAS库，直接通过官方源重装numpy、scipy、scikit-learn即可解决。

内容的提问来源于stack exchange，提问作者J.D