如何在Sklearn中整合双函数及让AI助手单指令执行多任务

1. 实现单条指令触发多个函数执行 #

可以实现，核心是解析回复字符串里的函数标识，匹配并执行对应函数。示例代码如下：

# 定义目标函数
def game():
    print("打开游戏")

def browser():
    print("打开浏览器")

# 存储回复的数据集
data_set = {
    'whats new':'game browser Is nothing special...',
    '':''
}

# 用函数映射字典更安全地匹配执行
func_map = {
    'game': game,
    'browser': browser
}

def execute_functions(response):
    # 提取回复中的函数标识
    func_names = response.split()[:2]
    for name in func_names:
        if name in func_map:
            func_map[name]()

# 测试执行
execute_functions(data_set['whats new'])

运行后会依次执行game()和browser()两个函数，同时保留原回复的文本内容。

2. Sklearn框架中整合两个函数到单语句 #

Sklearn中常用Pipeline（流水线）来整合多个处理步骤，实现单语句调用，分两种场景说明：

场景1：整合内置处理步骤 #

比如将数据标准化和模型训练整合为一个流程：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression

# 构建流水线，按顺序整合步骤
pipeline = Pipeline([
    ('数据标准化', StandardScaler()),
    ('线性回归训练', LinearRegression())
])

# 单语句完成拟合（自动先执行标准化，再训练模型）
pipeline.fit(X_train, y_train)

# 单语句完成预测
y_pred = pipeline.predict(X_test)

场景2：整合自定义函数 #

先把自定义函数转为Sklearn兼容的转换器，再加入流水线：

from sklearn.preprocessing import FunctionTransformer
import numpy as np

# 自定义两个处理函数
def log_transform(X):
    return np.log(X + 1)

def add_bias(X):
    return np.hstack([X, np.ones((X.shape[0], 1))])

# 转为Sklearn转换器
log_transformer = FunctionTransformer(log_transform)
bias_transformer = FunctionTransformer(add_bias)

# 整合到流水线
custom_pipeline = Pipeline([
    ('对数转换', log_transformer),
    ('添加偏置项', bias_transformer),
    ('线性回归', LinearRegression())
])

# 单语句执行整个流程
custom_pipeline.fit(X_train, y_train)

如果仅需语法上合并两个函数调用，直接用分号分隔即可：

log_transform(X); add_bias(X)

但这种方式只是语法合并，没有流程化的逻辑关联，Sklearn推荐用Pipeline实现步骤化整合。

内容的提问来源于stack exchange，提问作者meow