Deepchecks Dataset 初始化必须显式指定 datetime_name 参数处理时间列，否则时间序列漂移检测失效；TrainTestFeatureDrift 要求训练集与测试集列名、顺序、类型严格一致；WholeDatasetDrift 需降维或声明类别列以避免统计失效；CheckResult 需调用 to_json() 提取结构化结果。
Deepchecks Dataset 初始化时必须对时间列做正确处理
时间列如果被误判为分类特征，会导致后续时间序列漂移检测失效。Deepchecks 默认按数据类型推断列角色，datetime64 列需显式传入 datetime_name 参数，否则会被当作普通数值或字符串处理。
- 错误做法：
Dataset(df)—— 时间列'timestamp'可能被忽略或错判 - 正确做法：
Dataset(df, datetime_name='timestamp') - 若时间列是字符串格式（如
'2023-01-01'），需先用pd.to_datetime()转换，再传入；否则datetime_name无效 - 多时间列场景不支持，Deepchecks 当前只接受单个
datetime_name
用 TrainTestFeatureDrift 检测训练集与新批次数据的分布偏移
这是最常用的数据漂移检查器，但默认只检测数值型和类别型特征，对高维、嵌入或文本向量无直接支持。
- 必须保证训练集和测试集（新数据）的列名、顺序、数据类型完全一致，否则会报
ValueError: Mismatch in column names - 对类别型特征，默认使用卡方检验；数值型默认用 KS 检验；可通过
drift_mode='per_feature'或'aggregate'控制聚合方式 - 敏感参数：
max_num_categories_for_drift=10—— 类别数超限时自动跳过，需根据业务调整 - 示例调用：
from deepchecks.tabular.checks import TrainTestFeatureDrift<br>check = TrainTestFeatureDrift()<br>result = check.run(train_dataset, test_dataset)
运行 WholeDatasetDrift 前要禁用冗余特征或降维
WholeDatasetDrift 对全量特征做多变量联合漂移检测（基于 EMD 或 MMD），但原始高维特征易导致统计功效下降或内存溢出。
- 默认使用 PCA 降维到 10 维，但若原始特征含大量稀疏类别列（如 one-hot 后的 100+ 列），PCA 效果差，建议先用
category_columns显式声明并单独处理 - 可传入自定义嵌入：用
embed_features_by_model=True+model参数接入预训练模型（如 SentenceTransformer），但要求输入是文本列且已预处理为str类型 - 注意
max_num_categories_for_display=5仅影响报告展示，不影响计算；真想过滤低频类别，得在Dataset初始化前用pd.Categorical(..., ordered=False)手动截断
集成进训练 pipeline 时，check.run() 返回对象不能直接 JSON 序列化
Deepchecks 的 CheckResult 是复杂对象，含图表、HTML 片段和引用，直接 json.dumps() 会报 TypeError。
立即学习“Python免费学习笔记（深入）”；
- 需调用
result.to_json()获取结构化字典（含'summary','value','display'等键），这才是可落库或发告警的格式 -
result.value是核心漂移指标字典，例如{'feature_1': {'drift_score': 0.02, 'method': 'KS', 'drifted': False}}，适合写入监控系统 - 若需复现图表，
result.save_as_html('drift_report.html')是唯一可靠导出方式；result.show()仅限 Jupyter 环境 - CI/CD 中静默运行时，记得加
condition_results = result.get_conditions_results()检查是否触发失败条件（如 drift_score > 0.5）
Dataset 构造逻辑。 
