用途：UMAP（Uniform Manifold Approximation and Projection）是一种非线性降维算法，用于高维数据可视化、密度聚类（如 HDBSCAN、DBSCAN）预处理、机器学习流水线中的特征工程，以及带部分标签的监督/半监督嵌入。
主要能力：支持标准 UMAP、监督与半监督嵌入（通过 y 参数与 target_weight）、对新数据 transform、Parametric UMAP（基于 TensorFlow/Keras 的神经网络嵌入，支持自定义编码器/解码器与重建）、DensMAP（保留密度信息）、AlignedUMAP（跨时间点或批次对齐嵌入）。支持多种距离度量，包括 euclidean、cosine、hamming、jaccard、precomputed 及自定义 Numba 距离函数。
使用方式：安装 pip install umap-learn；Parametric UMAP 需 pip install umap-learn[parametric_umap]（依赖 TensorFlow 2.x）。基本用法为先用 StandardScaler 标准化特征，再调用 umap.UMAP(...).fit_transform(X_scaled)；可设置 n_neighbors、min_dist、n_components、metric、random_state 等参数，并可作为 sklearn Pipeline 的一步。
适用场景：2D/3D 可视化、聚类前降维（建议 n_neighbors=30、min_dist=0.0、n_components=5-10）、文本/文档嵌入（cosine）、二值/集合数据（hamming/jaccard）、生产环境快速 transform（Parametric UMAP）。
限制：UMAP 保留拓扑而非精确距离，嵌入中的距离与簇间距不应按原始距离解读；2D 嵌入不适合直接用于聚类；结果依赖随机优化，需设置 random_state 复现；首次运行因 Numba JIT 编译较慢；inverse_transform 为近似且对训练嵌入凸包外效果差；高维数据可先用 PCA 降至 50-100 维。资料未提供收费、价格或平台信息。