如何编写输出列数异于输入的FunctionTransformer？能否模拟OneHotEncoder？

1. 如何编写FunctionTransformer，使其输出DataFrame列数与输入不同？ #

FunctionTransformer本身不对输出列数做限制，核心是你传入的自定义处理函数要实现输入到目标列数的转换逻辑。以下是两种常见场景的示例：

场景1：输入多列，输出更少列（合并列） #

比如将两列字符串拼接为一列：

import pandas as pd
from sklearn.preprocessing import FunctionTransformer

def combine_columns(X):
    # 取前两列拼接，返回单列DataFrame
    combined = X.iloc[:, 0].astype(str) + "_" + X.iloc[:, 1].astype(str)
    return pd.DataFrame(combined, columns=["combined_col"])

# 测试输入
input_df = pd.DataFrame({"num": [1, 2, 3], "char": ["x", "y", "z"]})
# 初始化转换器
transformer = FunctionTransformer(combine_columns)
# 执行转换
output_df = transformer.transform(input_df)

print(f"输入列数：{input_df.shape[1]}，输出列数：{output_df.shape[1]}")
# 输出：输入列数：2，输出列数：1

场景2：输入单列，输出更多列（拆分列） #

比如将包含分隔符的单列拆分为多列：

def split_column(X):
    # 按下划线拆分单列，返回多列DataFrame
    split_data = X.iloc[:, 0].str.split("_", expand=True)
    split_data.columns = ["part1", "part2"]
    return split_data

# 测试输入
single_col_df = pd.DataFrame({"combined": ["1_x", "2_y", "3_z"]})
transformer = FunctionTransformer(split_column)
output_df = transformer.transform(single_col_df)

print(f"输入列数：{single_col_df.shape[1]}，输出列数：{output_df.shape[1]}")
# 输出：输入列数：1，输出列数：2

2. 是否可以使用FunctionTransformer模拟OneHotEncoder？更广泛地说，能否让输出列数多于/少于输入？ #

完全可以。FunctionTransformer本质是对自定义函数的包装，只要函数能实现对应的转换逻辑，就能模拟OneHotEncoder，也能自由控制输出列数。

模拟OneHotEncoder示例 #

用pd.get_dummies实现独热编码逻辑，再用FunctionTransformer包装：

def custom_onehot_encode(X):
    # 对输入的单列分类数据执行独热编码
    return pd.get_dummies(X, prefix=X.columns[0])

# 测试输入
cat_df = pd.DataFrame({"category": ["A", "B", "A", "C", "B"]})
onehot_transformer = FunctionTransformer(custom_onehot_encode)
onehot_output = onehot_transformer.transform(cat_df)

print(onehot_output)
# 输出：
#    category_A  category_B  category_C
# 0           1           0           0
# 1           0           1           0
# 2           1           0           0
# 3           0           0           1
# 4           0           1           0

总结 #

只要自定义函数能处理输入数据（DataFrame或numpy数组）并返回结构合法的输出（比如DataFrame、二维数组），就可以随意控制输出列数——不管是比输入少、多还是完全不同。如果要将该Transformer用于Sklearn Pipeline，只需确保函数的输入输出格式能与Pipeline前后步骤兼容即可。

内容的提问来源于stack exchange，提问作者Evan Aad