### 如何在 Python 中正确导入 `sklearn` 模块 要在 Python 中正确导入 `sklearn` 模块并使用其功能，需遵循以下方法： #### 安装依赖库 如果尚未安装 `scikit-learn` 库，则可以通过以下命令完成安装： ```bash pip install -U scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple ``` 此命令会从清华大学镜像源下载最新版本的 `scikit-learn` 并更新到当前环境中[^2]。 #### 导入模块 成功安装后，在脚本或交互式解释器中通过以下方式导入所需子模块： ```python from sklearn.preprocessing import StandardScaler ``` 上述代码展示了如何从 `sklearn.preprocessing` 子包中导入 `StandardScaler` 类用于特征缩放操作[^1]。 #### 实际应用案例 下面是一个完整的例子，展示如何加载数据集、预处理以及执行聚类分析： ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score from sklearn.preprocessing import StandardScaler # 假设数据存储为 'customer_data.csv' data = pd.read_csv("customer_data.csv") # 数据标准化 scaler = StandardScaler() scaled_features = scaler.fit_transform(data) # 聚类分析 kmeans = KMeans(n_clusters=3, random_state=42) clusters = kmeans.fit_predict(scaled_features) # 计算轮廓系数以评估聚类效果 score = silhouette_score(scaled_features, clusters) print(f"Silhouette Score: {score}") ``` 在此示例中，首先读取 CSV 文件中的客户数据，并利用 `StandardScaler` 对数值型特征进行归一化处理。接着调用 `KMeans` 进行分群计算，并借助 `silhouette_score` 函数衡量模型性能[^3]。 另外，《深度学习：基于 Keras 的 Python 实践》提到过一种更优雅的方式——构建流水线 (Pipeline)，它能够串联多个步骤自动运行。例如先做标准化再训练神经网络模型[^4]: ```python from sklearn.pipeline import Pipeline from sklearn.neural_network import MLPClassifier pipeline = Pipeline([ ('scaling', StandardScaler()), ('mlp', MLPClassifier(hidden_layer_sizes=(10,), max_iter=500)) ]) pipeline.fit(X_train, y_train) accuracy = pipeline.score(X_test, y_test) print(f"Test Accuracy: {accuracy:.2f}") ``` 以上代码片段定义了一条包含两个阶段的操作链路：首先是特征变换 (`StandardScaler`)；其次是分类预测 (`MLPClassifier`)。最终输出测试集合上的准确率指标。 ---