Pipeline 已 fit 仍报未拟合：检查 skrub DropCols 的状态属性

外层模型的 fit(X, y) 已返回，紧接着 predict(X) 却报 This Pipeline instance is not fitted yet。如果内部 Pipeline 最后一步是 skrub 的 DropCols，且组合为 scikit-learn 1.8.0、skrub 0.6.0，应检查转换器的拟合状态约定，而不是反复对外层模型追加 fit()。

这条路径中，DropCols 已完成自己的拟合，但旧属性没有使用尾部下划线。scikit-learn 的通用状态检查没有发现拟合属性，也没有可用的自定义状态判定，于是把内部 Pipeline 判成未拟合。它不意味着所有嵌套 Pipeline 都不能在 1.8 中使用。

在第三方转换器一侧采用正式修正

skrub 0.7.1 的发行记录已经修正 DropCols、SelectCols 的属性命名，使拟合状态能够被识别。后续正式实现的 DropCols 使用 kept_cols_、dropped_cols_。沿项目依赖约束采用包含修正的版本后，需要重新构建并训练相应 Pipeline；只更新包、继续加载旧序列化模型，不能保证旧对象状态随代码迁移。

不要为了消除异常，向模型任意添加一个名为 fitted_ 的字段。通用检查可能因此通过，但列选择状态并没有被正确建立。也不要把整个估计器伪装成不需要 fit：DropCols 的具体行为还依赖已检查的输入列。

诊断时查看真正训练后的内部对象

ColumnTransformer 会在拟合时克隆转换器。构造参数 transformers 中的原始对象未拟合，不足以证明训练失败；应查看训练后公开的 named_transformers_，再进入对应内部 Pipeline。

fitted_preprocessor = model.named_steps["preprocess"]
fitted_dates = fitted_preprocessor.named_transformers_["dates"]

这是对象访问示意，要求模型实际使用这两个自定义名称，并且外层 model.fit(...) 已成功。自动生成的步骤名或其他结构应按自身模型调整，不能把片段中的名称当作固定接口。检查最后一步 DropCols 的真实类型、版本和拟合状态，再决定是否符合本题。

如果是自己编写的转换器，应遵守拟合属性命名约定，或用 __sklearn_is_fitted__() 返回与真实状态一致的布尔值。这个方法不能无条件返回 True；至少要区分尚未训练、已训练以及重新设置参数后需要重训的情况。

同时验证训练与后续转换

更新后用相同列结构完成 fit、transform 和 predict，检查被删列、保留列顺序、特征名与样本行序。把一个原本保留的列误删掉，即使预测能够返回，也不算恢复。

若流程中另有病态矩阵警告，应单独检查数值条件。它与拟合状态识别不是同一个错误，不应通过删除列、换模型或压制异常把两个问题混在一起。保留旧环境和模型，避免不同预处理版本的特征与回归系数交叉使用。