如何在Python中自定义Scikit-learn兼容的特征转换器？-Python教程-PHP中文网

必须显式设置 n_features_in_ 和 feature_names_in_，否则触发 notfittederror；get_feature_names_out 需实现以避免下游特征错位；返回 dataframe 时需手动保留索引列名；验证须通过 check_transformer_general 等三步测试。

如何在python中自定义scikit-learn兼容的特征转换器？

为什么不能直接继承 `TransformerMixin` 就完事？

很多初学者以为只要继承 TransformerMixin、写个 fit 和 transform 就能被 Pipeline 或 ColumnTransformer 接受——但实际会报 NotFittedError 或 AttributeError: 'MyTransformer' object has no attribute 'n_features_in_' 。这是因为 Scikit-learn 从 1.0 版本起强制要求所有转换器必须显式设置 n_features_in_（输入特征数）和 feature_names_in_（输入列名，可选），否则会被视为“未正确拟合”。

实操建议：

必须在 fit 方法末尾手动赋值：self.n_features_in_ = X.shape[1]；若想兼容 get_feature_names_out，还需存 self.feature_names_in_ = getattr(X, 'columns', None) or np.array([f'x{i}' for i in range(X.shape[1])])
不要依赖 TransformerMixin.fit_transform 的默认实现——它只是调用 fit + transform，不处理属性校验；你得自己确保 transform 开头有 check_is_fitted(self)
如果输入是稀疏矩阵或 pandas DataFrame，X.shape[1] 没问题，但取列名要用 getattr(X, 'columns', None)，不能硬写 X.columns

`get_feature_names_out` 不实现会怎样？

不实现该方法本身不会导致报错，但一旦你把它放进 ColumnTransformer 并调用 get_feature_names_out()，就会触发 NotImplementedError；更隐蔽的问题是：某些下游工具（如 sklearn-inspect 或模型解释库）会静默跳过该转换器的特征映射，导致特征对齐出错。

实操建议：

哪怕只是做恒等映射，也建议返回 input_features（即传入的列名）或按规则生成新名字，例如：

def get_feature_names_out(self, input_features=None):
    if input_features is None:
        input_features = self.feature_names_in_
    return np.array([f"{feat}_log1p" for feat in input_features])

如果转换后特征数变化（如 one-hot 展开），必须严格对应输出维度；返回数组长度 ≠ transform 输出列数时，Pipeline 会静默失败或后续 predict 报维度错
别在 get_feature_names_out 里做计算或 IO——它应是纯函数，且必须接受 input_features 参数（哪怕你不使用）

如何让自定义转换器支持 pandas DataFrame 输入并保留索引和列名？

原生 transform 返回 ndarray 会丢掉索引和列名，导致和后续步骤（比如另一个只认 DataFrame 的转换器）衔接断裂。这不是 bug，而是设计选择：Scikit-learn 核心只承诺处理 numpy 数组。

Secure Python Code Sandbox

安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。

下载

实操建议：

在 transform 中判断输入类型：if hasattr(X, 'index') and hasattr(X, 'columns')，然后用 pd.DataFrame(result, index=X.index, columns=new_cols) 包装输出
但要注意：ColumnTransformer 默认把每列转成 2D ndarray 再拼接，所以如果你返回 DataFrame，需配合 remainder='passthrough' 或统一用 FeatureUnion 等方式协调；更稳妥的做法是只在最外层封装一层适配器
别在 fit 里修改 X 的副本（如 X.dropna()）——这会污染原始数据；要用 X.copy() 或明确声明 copy=True

验证是否真正兼容 Scikit-learn 的三步检查法

光跑通 fit/transform 不代表兼容。真正落地时容易卡在 Pipeline 集成、超参搜索或跨版本部署上。

实操建议：

用 check_estimator(MyTransformer())（来自 sklearn.utils.estimator_checks）——但它只对 estimator 有效；对 transformer 要手动跑：check_transformer_general(MyTransformer(), X) + check_transformers_unfitted(MyTransformer())
在 Pipeline 中混用你的转换器和 StandardScaler，然后调用 pipeline.named_steps['my'].get_feature_names_out()，确认不崩、返回合理结果
用 joblib.dump(pipeline, 'pipe.pkl') 再 load，验证反序列化后仍能 transform——很多自定义类因闭包变量或相对路径引用而 dump 失败