columntransformer报错“transformer 0...未拟合”因未调用fit_transform()；需统一dataframe、显式命名transformer、为单列onehotencoder加reshape、数值列前置simpleimputer、类别列设handle_unknown='ignore'，并确保训练/测试特征数一致。
ColumnTransformer报错“transformer 0 of column transformer is not a fitted object”
这个错误通常发生在你试图用未拟合的ColumnTransformer直接调用transform()，而不是先调用fit_transform()。它和单独用StandardScaler或OneHotEncoder不同——ColumnTransformer本身不保存训练状态，必须显式拟合。
实操建议：
- 对训练数据必须用
ct.fit_transform(X_train)，不能跳过fit_transform直接transform - 对测试数据才用
ct.transform(X_test)，此时ct已是拟合好的对象 - 如果混用了
pd.DataFrame和numpy.ndarray，列名可能丢失，导致ColumnTransformer无法匹配列索引，建议统一用pd.DataFrame并明确传入column列表
数值列和类别列混合时，OneHotEncoder报“expected 2D array, got 1D array”
这是因为ColumnTransformer会把每组列切片后传给对应transformer，而OneHotEncoder默认要求输入是二维结构（哪怕只有一列）。如果你写成OneHotEncoder(sparse=False)但没加reshape(-1, 1)，就会崩。
实操建议：
- 永远为单列类别特征显式指定
remainder='passthrough'，避免意外丢列 - 类别列传入
OneHotEncoder前，确保是list形式，例如['cat_col1', 'cat_col2']，不要用字符串'cat_col1' - 在scikit-learn ≥ 1.0中，推荐启用
OneHotEncoder(drop='if_binary', handle_unknown='ignore')，避免预测时遇到训练没见过的类别值报错
用Pipeline嵌套ColumnTransformer后，predict()报“X has 5 features, but StandardScaler is expecting 3”
这是典型的特征维数不一致问题：ColumnTransformer输出的列数，在训练和预测阶段不一致。常见原因是测试集里有缺失类别值（触发OneHotEncoder少生成一列），或数值列含NaN未被SimpleImputer处理，导致StandardScaler输入维度异常。
实操建议：
- 在
ColumnTransformer中为数值列预置SimpleImputer(strategy='median')，别依赖模型自己处理空值 - 类别列务必设
handle_unknown='ignore'，否则新类别会让OneHotEncoder拒绝转换 - 调试时可打印
ct.transform(X_train).shape和ct.transform(X_test).shape，确认二者列数严格相等
想保留原始列名，但get_feature_names_out()返回的是奇怪的拼接名如“num__age”
这是ColumnTransformer的默认行为：它会把transformer名称和原始列名用双下划线拼起来。如果你没给每个transformer起名（比如写成('num', StandardScaler(), num_cols)），它会自动分配transformer-1这类名字，更难读。
实操建议：
- 给每个transformer显式命名，例如
('scaler', StandardScaler(), num_cols)、('ohe', OneHotEncoder(), cat_cols) - 调用
ct.get_feature_names_out()前，确保ct已完成拟合；未拟合时该方法会报AttributeError - 如需进一步清洗列名（比如去掉双下划线），可用
[n.replace('__', '_') for n in ct.get_feature_names_out()]，但注意别破坏语义唯一性
ColumnTransformer内部各transformer的fit是**独立进行的**，它不会帮你做跨列逻辑（比如用年龄推算是否成年再编码）。那些需要多列协同的特征工程，得提前在X进ColumnTransformer之前做完。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
