numpy.array接收pandas.Series时会因隐式类型推断导致降级或截断，应改用.to_numpy()或显式指定dtype=object；scipy.optimize需确保目标函数总返回有限浮点数并硬约束bounds；statsmodels.ARIMA要求无缺失值，须预填充；joblib缓存前需astype优化类型。
numpy.array 和 pandas.Series 混用时数据类型自动降级
用 numpy.array 接收 pandas.Series 时，object 类型的 Series（比如含字符串、None 或混合类型）会变成 dtype=object 的数组，但后续做数值运算就直接报错或静默出错——这不是 bug，是 numpy 对“不可向量化”的退让。
- 别写
np.array(df['col'])来取数，改用df['col'].to_numpy()，它会保留pd.NA语义并按需转为 nullable 类型（如Int64） - 如果必须用
np.array，加dtype=object显式声明，避免隐式推断出Uxx（固定长度字符串）导致截断 -
Series.values已被弃用，且在含扩展类型（如stringdtype）时返回object数组，行为不一致
scipy.optimize.minimize 在业务参数优化中收敛失败
业务场景里常拿 scipy.optimize.minimize 调价格弹性、库存阈值这类参数，但函数返回 success=False 或 status=2（梯度异常）很常见——根本原因不是算法不行，而是目标函数在业务边界外未定义或突变。
- 确保目标函数对任意输入都返回有限浮点数，哪怕是在无效区域也 return
float('inf')，别抛异常或返回None - 用
bounds参数硬约束，别依赖初始值附近的局部探索；业务参数通常有明确物理范围（如折扣率 ∈ [0, 1]） - 避免在目标函数里调用 pandas 的
.loc或.query，这些操作在多次迭代中开销陡增，且可能因索引变化引发静默错误
statsmodels.tsa.arima.ARIMA 和 sklearn.linear_model.LinearRegression 处理缺失值方式冲突
业务时间序列建模时，有人想先用 sklearn 做特征工程（比如滑动窗口构造滞后项），再喂给 statsmodels 的 ARIMA，结果报 ValueError: NaNs are not allowed——因为 sklearn 默认不删缺失值，而 statsmodels 的 ARIMA 从不自动填充。
-
ARIMA要求输入是纯numpy.ndarray或pd.Series，且不能含np.nan、pd.NA、None；sklearn的StandardScaler等预处理器默认跳过nan，但输出仍带nan - 统一用
pd.Series.interpolate(method='linear')或ffill()填充，别用sklearn.impute.SimpleImputer，后者对时间序列无意义 - 如果原始序列有结构性缺失（如节假日无数据），插值会扭曲趋势，此时应改用
statsmodels.tsa.statespace.SARIMAX，它支持显式缺失标记
joblib.dump 保存 pandas DataFrame 后内存占用反而上升
为加速重复分析，有人用 joblib.dump 缓存清洗后的 DataFrame，却发现加载后内存比原始 CSV 还大——这不是 joblib 的问题，是 pandas 默认用 object dtype 存字符串，而 joblib 会忠实序列化所有对象引用。
立即学习“Python免费学习笔记（深入）”；
- 保存前调用
df.astype({col: 'category' for col in df.select_dtypes('object').columns})，尤其对低基数字段（如状态码、地区名） - 避免保存含
pd.Timestamp列的 DataFrame，joblib 序列化 datetime 代价高；改用int64时间戳或字符串格式 - 如果只读不写，优先用
pd.read_parquet+pyarrow，它压缩率高、加载快，且天然支持类型保留
科学计算库的“正确性”和业务系统的“鲁棒性”不在同一维度上。一个 np.inf 在数值积分里是信号，在订单金额字段里就是故障。边界不是画出来的，是每次 fillna、每次 astype、每次没 catch 的 ConvergenceWarning 一点点磨出来的。
