Pipeline串联多ColumnTransformer时出现字符串转浮点数错误，单独运行编码器组件正常

看起来你遇到的问题是串联多个ColumnTransformer时，列的索引发生了变化，导致后续的编码器找不到正确的列，反而把未处理的字符串列传到了后面的步骤，引发了转换错误。

问题原因分析 #

当你用make_pipeline把tf1、tf2、tf3串起来时，每一步的输出都是下一步的输入。tf1的remainder='passthrough'会把处理后的列放在前面，再拼接原始数据中未被处理的列——这直接打乱了原始数据的列索引顺序！

举个例子：你tf1处理的是原始数据的[2]和[6]列，那么tf1的输出列顺序是：

• 第0列：impute1处理后的原始[2]列
• 第1列：impute2处理后的原始[6]列
• 后面跟着原始数据中除了[2,6]之外的所有列（按原始顺序排列）

这时候你在tf2里指定的[1]和[6]，已经不是原始数据里需要编码的类别列了！比如原始的性别列（假设是原始索引1），现在在tf1输出中的位置是第2列，tf2根本没处理它，这个字符串列会一直传到后面的scaler或者模型那里，自然就会报错“无法将字符串转成浮点数”。

而你单独运行tf2的时候，处理的是原始数据，索引是对的，所以能正常编码。

解决方案 #

方案1：把所有预处理步骤合并到同一个ColumnTransformer里（推荐）

ColumnTransformer本身就是用来并行处理不同列的，把所有操作放在一起可以彻底避免索引混乱的问题：

from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import make_pipeline

# 合并所有预处理步骤
preprocessor = ColumnTransformer(
    transformers=[
        ('impute_mean', SimpleImputer(strategy="mean"), [2]),
        ('impute_freq', SimpleImputer(strategy="most_frequent"), [6]),
        ('encode_sex', OneHotEncoder(sparse=False, handle_unknown='ignore'), [1]),
        ('encode_embarked', OneHotEncoder(sparse=False, handle_unknown='ignore'), [6]),
        ('scale_age', StandardScaler(), [5])
    ],
    remainder='passthrough'  # 如果还有其他需要保留的列，记得添加这个参数
)

# 构建Pipeline
pipe = make_pipeline(preprocessor, RandomForestClassifier())
pipe.fit(X_train, y_train)

这个方案的好处是所有列的预处理都在一步完成，不会出现索引错位的问题，代码也更简洁。

方案2：用列名代替索引指定处理列（如果你的数据是DataFrame）

如果你的X_train是Pandas DataFrame，而不是numpy数组，你可以用列名来指定要处理的列，这样即使列顺序变化，也能正确定位：

from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import make_pipeline
from sklearn import set_config

# 让Sklearn的转换器输出DataFrame，保留列名
set_config(transform_output="pandas")

tf1 = ColumnTransformer([
    ('impute1', SimpleImputer(strategy="mean"), ['你的列名2']),  # 替换成数据中的实际列名
    ('impute2', SimpleImputer(strategy="most_frequent"), ['你的列名6']),
], remainder='passthrough')

tf2 = ColumnTransformer([
    ("encoder1", OneHotEncoder(sparse=False, handle_unknown='ignore'), ['性别列名']),  # 比如'sex'
    ("encoder2", OneHotEncoder(sparse=False, handle_unknown='ignore'), ['embarked列名'])
], remainder='passthrough')

tf3 = ColumnTransformer([
    ('scaler', StandardScaler(), ['年龄列名'])  # 比如'age'
], remainder='passthrough')

pipe = make_pipeline(tf1, tf2, tf3, RandomForestClassifier())
pipe.fit(X_train, y_train)

这种方法适合必须拆分预处理步骤的场景，用列名比索引更稳定，不容易出错。

不推荐的方案：手动跟踪索引变化

如果你一定要用索引，那得先手动运行tf1.fit_transform(X_train)，查看输出的列顺序，然后调整tf2、tf3里的索引值。但这种方法非常脆弱，一旦数据列有变动（比如新增/删除列），就需要重新调整索引，维护成本很高，所以不建议使用。

备注：内容来源于stack exchange，提问作者Bishal Pandey