1. 为什么load_boston会被移除如果你最近升级了scikit-learn到1.2或更高版本可能会发现一个熟悉的load_boston()函数不见了。这个变化其实早有预兆——波士顿房价数据集因为涉及种族歧视的潜在风险从2021年开始就被标记为deprecated即将废弃。作为替代方案官方推荐使用fetch_openml来获取经过审查的数据集。我在实际项目中第一次遇到这个问题时也很困惑。当时我正在给团队新人做机器学习入门培训准备好的代码突然报错AttributeError: module sklearn.datasets has no attribute load_boston场面一度很尴尬。后来查文档才发现这个变动背后有着更深层次的考量。波士顿房价数据集包含一个名为B的特征它表示黑人比例。有研究表明这个特征在模型训练中可能被滥用导致带有种族偏见的预测结果。虽然数据集本身是真实的但在当今强调AI伦理的环境下维护团队决定彻底移除这个潜在的风险源。2. 方案一降级scikit-learn版本2.1 如何安全降级最直接的解决方案就是把scikit-learn退回到1.1或更早版本。我测试过这个方法确实可行但需要特别注意依赖关系。下面是具体操作步骤# 先卸载当前版本 pip uninstall scikit-learn -y # 安装指定版本 pip install scikit-learn1.1.0不过要注意如果你在用Jupyter Notebook可能需要重启内核才能使变更生效。我在AWS SageMaker上测试时发现单纯重启notebook还不够必须完全重启内核才能加载正确的版本。2.2 降级可能带来的问题虽然降级简单但我不建议长期使用这个方案。主要问题有安全风险旧版本可能包含已知漏洞功能缺失无法使用新版本的特性和优化依赖冲突其他库可能依赖更高版本的scikit-learn特别是当你使用PyTorch或TensorFlow时它们对scikit-learn的版本有特定要求。我遇到过因为降级导致整个conda环境崩溃的情况最后不得不重建环境。3. 方案二使用原始数据集文件3.1 获取原始数据波士顿房价数据仍然可以从原始来源获取。我推荐从Kaggle下载经过整理的CSV版本质量更有保证。下载后可以这样加载import pandas as pd # 假设文件放在项目根目录 boston pd.read_csv(boston_housing.csv) # 查看数据结构 print(boston.head())3.2 数据预处理要点原始数据需要一些处理才能达到原来load_boston()的输出格式。这是我整理的标准处理流程from sklearn.model_selection import train_test_split # 分离特征和目标值 X boston.drop(MEDV, axis1) # MEDV是房价中位数 y boston[MEDV] # 划分训练测试集 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 标准化处理可选 from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_train scaler.fit_transform(X_train) X_test scaler.transform(X_test)3.3 注意事项使用本地文件时要注意路径问题。我建议使用pathlib来处理跨平台路径from pathlib import Path data_path Path(__file__).parent / data / boston_housing.csv boston pd.read_csv(data_path)这样无论在Windows、Mac还是Linux上都能正确找到文件位置。4. 方案三使用替代数据集4.1 糖尿病数据集示例scikit-learn自带的load_diabetes()是个不错的替代选择。虽然领域不同但数据结构相似from sklearn.datasets import load_diabetes diabetes load_diabetes() X, y diabetes.data, diabetes.target # 特征说明 print(diabetes.DESCR)这个数据集有442个样本10个特征适合演示回归算法。我在教学时发现用它来演示线性回归、决策树等算法的效果不比波士顿数据集差。4.2 其他推荐数据集除了糖尿病数据集这些也是很好的练习选择加州房价数据集fetch_california_housing()葡萄酒质量数据集可以从UCI机器学习库获取Ames房价数据集比波士顿数据集更丰富特别是加州房价数据集它专门设计用来替代波士顿数据集from sklearn.datasets import fetch_california_housing housing fetch_california_housing() X, y housing.data, housing.target4.3 数据集选择建议根据我的经验选择替代数据集时要考虑特征数量最好与原数据集相近样本规模足够演示算法又不至于太耗时数据质量缺失值少噪声低领域相关性尽量选择目标领域相近的数据5. 实际项目中的最佳实践5.1 环境配置建议为了避免版本问题我现在的标准做法是用requirements.txt严格指定版本scikit-learn1.1.0 # 如果需要load_boston pandas1.3.0 numpy1.21.0对于新项目我建议直接使用替代数据集这样就不用担心未来的兼容性问题。5.2 数据加载封装技巧为了方便团队使用我会封装一个统一的数据加载函数def load_regression_data(namediabetes): 统一加载回归数据集 if name boston: # 实现从本地文件加载 pass elif name diabetes: return load_diabetes() elif name california: return fetch_california_housing() else: raise ValueError(f未知数据集: {name})5.3 教学场景特别处理在培训新人时我通常会准备两份材料一份使用替代数据集的新版本代码一份包含版本回退说明的旧版代码。这样无论学员用什么环境都能顺利跟进。6. 迁移到新数据集的完整示例让我们用一个完整的机器学习流程来演示如何迁移到加州房价数据集from sklearn.datasets import fetch_california_housing from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error from sklearn.model_selection import train_test_split # 加载数据 housing fetch_california_housing() X, y housing.data, housing.target # 划分数据集 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 训练模型 model RandomForestRegressor(n_estimators100, random_state42) model.fit(X_train, y_train) # 评估 preds model.predict(X_test) mse mean_squared_error(y_test, preds) print(f模型MSE: {mse:.4f})这个示例展示了从数据加载到模型评估的完整流程使用的新数据集完全兼容scikit-learn最新版本。我在多个实际项目中都采用这种模式效果很好。遇到load_boston被移除的情况不必慌张这三种方案各有适用场景。对于需要严格复现旧实验的情况降级版本是最直接的选择如果是新项目我强烈建议直接使用加州房价等替代数据集这样既能避免伦理问题又能保证代码的未来兼容性。