随机投影已拟合，取特征名却报 auto 不是整数：检查 n_components

随机投影已经拟合，n_components_ 也是整数，调用 get_feature_names_out() 却报 TypeError: 'str' object cannot be interpreted as an integer。如果构造时保留默认的 n_components="auto"，应检查输出特征计数是否误用了构造参数。

scikit-learn 1.9.1 的 GaussianRandomProjection 和 SparseRandomProjection 共用这条拟合逻辑：生成矩阵使用算出的 n_components_，输出名称计数却保存了字符串 "auto"。请求 pandas 输出时，也可能在包装结果、生成列名的阶段失败；这不表示投影矩阵本身一定没有生成。

用相同规则显式计算整数维数

应用需要保留自动维数的理论选择规则时，可以在创建估计器前，根据当前拟合样本数和同一个 eps 计算整数：

import numpy as np
from sklearn.random_projection import (
    GaussianRandomProjection,
    johnson_lindenstrauss_min_dim,
)

X = np.random.RandomState(0).rand(10, 1000)
eps = 0.5
components = int(johnson_lindenstrauss_min_dim(n_samples=X.shape[0], eps=eps))
if not 0 < components <= X.shape[1]:
    raise ValueError("projection dimension must fit this input")
projection = GaussianRandomProjection(
    n_components=components, eps=eps, random_state=0
)
projection.set_output(transform="pandas")
transformed = projection.fit_transform(X)
names = projection.get_feature_names_out()

示例需安装兼容的 pandas；它以当前 X 的样本数计算维数，不是推荐所有业务固定用同一个整数。eps、训练样本数量或数据形状变了，要重新评估维数，而不是沿用一次计算结果。

交叉验证中每折样本数量可能不同。提前按整份数据计算固定维数，不再等同于每折自行使用 auto；若需要那种行为，应在每个拟合入口按同样规则计算，保留训练与验证隔离。

名称数量要与真正输出一致

显式整数使拟合维数与输出计数使用同一值。验收同时比较 n_components_、投影矩阵行数、转换结果列数和特征名数量。不要直接改 _n_features_out 这个私有属性，也不要为了让命名成功把维数随意设为 2，那会改变投影与失真控制条件。

若下游允许普通数组输出，可以暂时避免请求特征名包装，但这会改变下游容器契约。随机投影后的列是新的投影维度，不能直接套用原输入列名。

SparseRandomProjection 也需要检查同样的维数计数，但稀疏结果另有 pandas 输出限制。即使修好名称，仍须按下游需求决定是否允许稠密化，并评估内存；不能为了转 DataFrame 直接把大型稀疏矩阵全部转稠密。

采用后续正式修正时，保留 auto 与显式等价整数的对照，固定原随机状态和输入，核对名称及结果形状。只看到 fit 完成或异常消失，不能替代对最终特征表的验收。