PolynomialFeatures 默认生成所有交叉项与幂次项，易致维度爆炸；需用 interaction_only、include_bias 等参数控制，预处理缺失值和类别特征，先标准化再多项式扩展，并注意稀疏矩阵限制。
PolynomialFeatures 默认会生成所有交叉项，容易爆炸式增长
当你调用 PolynomialFeatures(degree=2)，它不只是加平方项，还会把所有两两特征的乘积全算出来——比如输入是 [a, b, c]，输出包含 a², b², c², a*b, a*c, b*c。维度从 3 膨胀到 6；若原始有 10 个特征，degree=2 就会产出 66 项，degree=3 直接跳到 286 项。
这不是 bug，是设计如此。但实际建模中，你往往不需要全部组合，尤其当某些特征物理意义不兼容（比如“年龄 × 收入等级”可能无意义）或稀疏特征参与时，会引入大量零值交叉项。
- 用
interaction_only=True可禁用幂次项（如去掉a²），只保留纯交叉项 - 设
include_bias=False避免额外加一列全 1 的截距项（多数模型自己处理） - 对高维稀疏输入（如 one-hot 后的类别特征），优先考虑用
sklearn.preprocessing.PolynomialFeatures的order='C'+dtype显式指定（避免 int64 → float64 自动升格导致内存翻倍）
fit_transform 之前必须先处理缺失值和非数值列
PolynomialFeatures 不接受 NaN，也不支持字符串或分类类型。直接传入含空值的 DataFrame 会报错：ValueError: Input contains NaN；传入含 object 列则抛 TypeError: A sparse matrix was passed, but dense data is required。
- 务必在 pipeline 前用
SimpleImputer填充数值型缺失值（均值/中位数，别用众数——它不适用于后续乘法运算） - 类别特征必须先编码：
OneHotEncoder比LabelEncoder更安全，因为后者生成的序数会参与乘法，人为引入大小关系 - 如果原始数据含时间戳、ID 等不该参与组合的列，得提前
drop或用ColumnTransformer精确控制作用范围
与 StandardScaler 的顺序不能颠倒
多项式扩展会放大原始特征的量纲差异。比如特征 A 范围是 [0, 1]，B 是 [0, 1000]，那么 A×B 的范围就变成 [0, 1000]，而 A² 还是 [0, 1] —— 扩展后各列尺度严重不一致。此时再做标准化，StandardScaler 的均值和方差会被大尺度项主导，小尺度项实际被压缩到几乎失效。
立即学习“Python免费学习笔记（深入）”；
- 正确顺序：先
StandardScaler().fit_transform(X)，再PolynomialFeatures().fit_transform(X_scaled) - 切勿反过来：先扩展再缩放，会导致训练时 scaler 学到的是扩展后数据的统计量，而预测时新样本需走同样流程——但你无法对单个新样本“先扩展再缩放”，因为 scaler 需要整个 batch 计算均值/方差
- 更稳的做法是用
sklearn.pipeline.Pipeline固化顺序，避免手写时出错
稀疏矩阵支持有限，大数据下要注意内存和格式转换
PolynomialFeatures 对稀疏输入（如 scipy.sparse.csr_matrix）能运行，但仅当 interaction_only=True 且 degree ≤ 2 时才保持稀疏输出；一旦启用幂次或 degree ≥ 3，内部会强制转成稠密数组，瞬间吃光内存。
- 检查输入是否真稀疏：
X.nnz / X.size （非零元素占比低于 5%）才值得走稀疏路径 - 显式传入
dtype=np.float32，尤其当原始是 float64 时，可减半内存占用 - 若最终仍爆内存，改用分块策略：用
FeatureUnion分离高基数类别特征（不扩展）和低维数值特征（谨慎扩展），或直接上sklearn.preprocessing.FunctionTransformer手写可控的交叉逻辑
PolynomialFeatures 输出 ndarray，没列名。如果你依赖特征重要性分析或 debug 时想定位 “第 37 列到底是谁 × 谁”，得手动用 get_feature_names_out() 对齐，而且这个方法在老版本 sklearn 中叫 get_feature_names()，不兼容。 
