这对生产有好处

他们都很好。sklearn 可以在生产中使用tensorflow.keras

这会给我更好更快的响应

我认为这并不取决于库，而是取决于模型和数据集的大小。这才是真正重要的。这两个模块都可以用来创建非常优化和快速的模型。

仅针对 1 或 2 个功能引入对其他库的依赖是否有任何问题

sklearn一起使用没有问题tensorflow.keras。在 ML/数据科学领域，它们可能是最常见的两种工具。不用担心！

它与 tensorboard 等其他工具或 matplotlib、seaborn 等库具有更好的兼容性。

好吧，keras现在是tensorflow(it's tensorflow.keras) 的一个分支。TensorBoard 是专门为它设计的。除此之外，所有其他可视化库（例如matplotlib和seaborn）都完全兼容。

最后的想法：

使用sklearn和keras顺序没有问题，数据预处理步骤可以使用更多的库。不要担心再使用一个，特别是如果它是一个非常可靠和流行的，例如sklearn.

但是，您可能希望将 PCA 替换为Autoencoders。这可以说是最好的降维技术，它是非线性的，这意味着它可以用更少的变量携带更多的信息，并且可以在tensorflow.keras. 这样，您将拥有一个神经网络来生成数据的压缩表示，以及另一个进行预测的神经网络。当然，这只是一个建议，你比任何人都更了解你的任务。

我的建议是构建一个sklearn 管道，其中一步是 sklearn PCA，最后一步是您的 Keras 模型。

Sklearn 管道很容易投入生产，并且可以处理更多的转换。

如果没有您的确切场景的更多上下文，这很难回答。但是，通常情况下，将大型库添加到项目中仅用于一项功能并不是最好的主意——尤其是当它像 PCA 一样简单时。PCA 实现起来相当简单，即使只使用 NumPy，如果您使用 Keras，您可能会使用 NumPy。但是，随着您的进步，如果您发现自己需要越来越多的 scikit-learn 功能，那么您可能应该引入它。

对于生产来说，如果没有更多的上下文就很难说。总是有利有弊。

更快的响应，这又取决于。网络或磁盘 I/O 是否会成为您最大的瓶颈？很多问题