sklearn与numpy依赖问题：使用Affinity Propagation时遇AttributeError

我已经通过conda update --all更新了所有最新包，但在使用sklearn的Affinity Propagation时出现如下错误：

Traceback (most recent call last):
File "Clustering.py", line 114, in <module>
 clust = clust_af.fit_predict(credit_clean)
File "/home/fd-dsmodeltrainer01/anaconda3/lib/python3.7/site-packages/sklearn/base.py", line 410, in fit_predict
 self.fit(X)
File "/home/fd-dsmodeltrainer01/anaconda3/lib/python3.7/site-packages/sklearn/cluster/affinity_propagation_.py", line 308, in fit
 copy=self.copy, verbose=self.verbose, return_n_iter=True)
File "/home/fd-dsmodeltrainer01/anaconda3/lib/python3.7/site-packages/sklearn/cluster/affinity_propagation_.py", line 96, in affinity_propagation
 S.flat[::(n_samples + 1)] = preference
File "/home/fd-dsmodeltrainer01/anaconda3/lib/python3.7/site-packages/scipy/sparse/base.py", line 686, in __getattr__
 raise AttributeError(attr + " not found")
AttributeError: flat not found

看起来sklearn无法找到numpy的.flat属性，请问有解决思路吗？

这个问题其实很好定位——你传入的credit_clean是scipy稀疏矩阵，而你当前使用的旧版本scikit-learn里，Affinity Propagation的实现错误地假设输入是numpy数组，直接调用了稀疏矩阵没有的.flat属性（这个属性是numpy ndarray独有的）。给你几个实用的解决办法：

• 转换输入数据类型：在调用fit_predict前，把稀疏矩阵转成numpy稠密数组，用credit_clean.toarray()或者credit_clean.todense()就行。不过要注意，如果你的数据集特别大，转换可能会占用大量内存，得根据情况权衡。
• 单独升级scikit-learn：这个bug在较新的sklearn版本里已经被修复了。别用全量更新，直接单独升级sklearn更稳妥，比如执行conda install scikit-learn=1.0.2（选一个稳定的高版本就行，比如1.x系列），避免全量更新带来的其他依赖冲突。
• 确认输入必要性：想想你是否真的需要用稀疏矩阵作为输入。如果数据的稀疏性不高，直接用稠密数组反而更省心，还能避开这类API兼容问题。

简单补充下：.flat是numpy数组的专属属性，用来生成一维迭代器，但scipy稀疏矩阵没有这个属性，所以旧版sklearn的代码就抛出了这个错误。新版本的sklearn已经处理了稀疏矩阵的输入情况，要么自动转换，要么提前给出更清晰的提示。

内容的提问来源于stack exchange，提问作者Taylrl