Python 3.11 机器学习环境配置：规避 sklearn 1.2+ 数据集移除的 2 种策略

Python 3.11 机器学习环境配置：规避 sklearn 1.2+ 数据集移除的 2 种策略

当你在 Python 3.11 环境中使用最新版 scikit-learn 进行机器学习项目开发时，可能会遇到一个令人困惑的问题：原本熟悉的load_boston()函数突然无法使用了。这个变化并非偶然，而是 scikit-learn 维护团队基于伦理考量做出的决定。本文将为你提供两种根本性解决方案，帮助你在保持 Python 3.11 环境的同时，继续开展机器学习项目。

1. 问题背景与现状分析

波士顿房价数据集自 1978 年发布以来，一直是机器学习入门和教学的热门选择。这个包含 506 个样本、13 个特征的数据集，因其适中的规模和清晰的回归问题特性，成为许多数据科学家的"Hello World"项目。

然而，在 scikit-learn 1.2 版本中，这个数据集被正式移除。主要原因在于数据集包含了一个名为"B"的变量，该变量被设计用来反映社区的种族构成。研究表明，这个变量的设计存在伦理问题，可能强化有害的刻板印象。

关键时间节点：

• 1.0 版本：标记为 deprecated（不推荐使用）
• 1.2 版本：完全移除该数据集

如果你正在使用 Python 3.11 并安装了最新版 scikit-learn，尝试导入该数据集时会看到如下错误：

ImportError: `load_boston` has been removed from scikit-learn since version 1.2.

2. 解决方案一：降级安装 scikit-learn 1.1.x

最直接的解决方案是将 scikit-learn 降级到 1.1.x 版本，这是最后一个包含波士顿数据集的稳定版本系列。

2.1 使用 pip 进行版本降级

pip uninstall scikit-learn -y pip install scikit-learn==1.1.3

验证安装：

import sklearn print(sklearn.__version__) # 应输出 1.1.3

2.2 使用 conda 创建独立环境

对于更复杂的项目，建议使用 conda 创建独立环境：

conda create -n sklearn_legacy python=3.11 scikit-learn=1.1.3 conda activate sklearn_legacy

环境配置检查清单：

• Python 版本：3.11.x
• scikit-learn 版本：1.1.3
• 其他依赖库版本兼容性

2.3 版本锁定策略

为防止意外升级，建议在项目中添加版本约束文件：

requirements.txt 示例：

scikit-learn==1.1.3 numpy>=1.21.0 pandas>=1.3.0

3. 解决方案二：使用替代数据集

scikit-learn 官方推荐使用加州房价数据集作为替代，这是一个更现代、更全面的数据集，且不存在伦理问题。

3.1 加载加州房价数据集

from sklearn.datasets import fetch_california_housing california = fetch_california_housing() print(california.DESCR) # 查看数据集描述

数据集对比：

3.2 手动获取原始波士顿数据

如果必须使用波士顿数据集，可以从原始来源获取：

import pandas as pd import numpy as np data_url = "http://lib.stat.cmu.edu/datasets/boston" raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None) data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]]) target = raw_df.values[1::2, 2]

4. 两种策略的对比与选择建议

策略对比表：

选择建议：

• 教学演示：优先考虑替代数据集
• 历史项目维护：可短期使用降级方案
• 新项目开发：强烈建议使用替代数据集

5. 高级技巧：构建可复用的数据加载模块

无论选择哪种方案，都可以将数据加载逻辑封装成独立模块，提高代码的可维护性：

# data_loader.py import numpy as np import pandas as pd from sklearn.datasets import fetch_california_housing def load_housing_data(dataset='california'): """统一的数据加载接口""" if dataset == 'california': return fetch_california_housing() elif dataset == 'boston': data_url = "http://lib.stat.cmu.edu/datasets/boston" raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None) data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]]) target = raw_df.values[1::2, 2] return {'data': data, 'target': target} else: raise ValueError("不支持的dataset参数")

6. 常见问题排查指南

问题1：版本冲突

ERROR: Cannot uninstall 'scikit-learn'. It is a distutils installed project...

解决方案：

pip install --ignore-installed scikit-learn==1.1.3

问题2：Python 3.11 兼容性scikit-learn 1.1.x 完全支持 Python 3.11，如遇问题可尝试：

python -m pip install --upgrade pip setuptools wheel

问题3：其他依赖冲突使用 conda 可以更好地解决依赖关系：

conda install scikit-learn=1.1.3

在实际项目中，我倾向于使用加州房价数据集作为替代。它不仅避免了伦理问题，还提供了更大的样本量和更丰富的地理多样性，这对模型训练和评估都更为有利。