本文详解 flink ml 中 densevector 类的版本演进、api 差异及如何正确引入具备完整线性代数功能（如 dot、sum、norm 等）的最新版 densevector，避免因依赖错配导致关键方法缺失。
Apache Flink 的机器学习生态经历了重大架构重构：自 Flink 1.13 起，原集成在 flink-ml-lib 中的数学与算法模块已正式迁移至独立仓库 apache/flink-ml。这意味着你最初查到的文档链接（指向 Flink 1.12 的 org.apache.flink.ml.common.linalg.DenseVector）属于已废弃的老版本 API，而后续看到的精简版 org.apache.flink.ml.math.DenseVector（来自 flink-ml-lib_2.12:2.0.0）则是迁移过渡期遗留的兼容层，功能严重受限——例如仅支持 dot() 却无 sum() 或 add()，无法满足线性回归等基础算法开发需求。
✅ 正确做法：使用 Flink-ML 独立库的最新核心模块
请弃用 flink-ml-lib，改用官方推荐的现代依赖：
org.apache.flink flink-ml-core 2.4.0
引入后，你将获得位于 org.apache.flink.ml.linalg.DenseVector 的全功能向量实现，其 API 设计对标主流科学计算库，支持：
- ✅ 向量加减与标量乘法：add(), subtract(), scale()
- ✅ 内积与范数：dot(), norm(2), norm(1)
- ✅ 元素级操作：map(), zipWith(), apply()
- ✅ 实用构造器：DenseVector.of(1.0, 2.0, 3.0), DenseVector.zeros(10)
此外，所有底层线性代数运算（如矩阵-向量乘、Cholesky 分解等）均由 org.apache.flink.ml.linalg.BLAS 统一封装，确保数值稳定性与分布式友好性。
⚠️ 注意事项：
- 不要混用 flink-ml-lib 和 flink-ml-core —— 二者包路径冲突且语义不兼容；
- Java 示例可直接参考 Flink-ML 官方 Quick Start，其中 LinearRegression 示例完整展示了 DenseVector 在特征向量构建、梯度更新中的实际用法；
- 若需 Python 支持，请搭配 flink-ml-python 使用（需额外依赖），但核心向量运算逻辑仍由 flink-ml-core 提供。
总结：“功能缺失”本质是版本错位问题。切换至 flink-ml-core 并采用 org.apache.flink.ml.linalg.* 包路径，即可获得工业级完备的分布式线性代数能力，为自定义 ML 算法（如线性回归、逻辑回归、PCA）奠定坚实基础。
