scikit-learn是否有内置特征删除Transformer类？

我有一个包含大量特征的数据集，希望直接丢弃部分特征，并将该操作作为scikit-learn pipeline的第一步。这需要一个符合scikit-learn Transformer接口、实现fit和transform方法的对象。我自己写了一个Downsampler类来实现，但在Notebook里插入这段代码比较繁琐，想知道scikit-learn是否有具备相同功能的内置类？

自定义的Downsampler代码如下：

class Downsampler:
    """Downsamples input data according to the sklearn transform interface."""

    def __init__(self, keep):
        """
        keep should index the features *not* to be dropped. For instance, if only the middle two
        of four features are of interest, keep should be [1, 2] or [False, True, True, False].
        """
        self.keep_ = keep

    def fit(X, y=None):
        """Does nothing; provided for interface consistency."""
        return self

    def transform(self, X, y=None):
        """Transform a data matrix of shape (n_samples, n_features) by dropping unwanted features."""
        return np.copy(X[:, self.keep_])

类似的使用场景包括：将1秒分辨率的时间序列降采样到1分钟；忽略已知与预测目标无关的特征。

回答 #

scikit-learn没有完全和你写的Downsampler一一对应的内置类，但有两个更灵活的替代方案，不用自己写完整的Transformer类：

1. 使用FunctionTransformer（适配numpy数组/矩阵） #

这个类可以直接把自定义的特征选择逻辑包装成符合Transformer接口的对象，代码更简洁：

from sklearn.preprocessing import FunctionTransformer
import numpy as np

# 示例：保留索引为1、2的特征
selector = FunctionTransformer(lambda X: X[:, [1, 2]], validate=True)

# 如果用布尔掩码，比如[False, True, True, False]
mask = [False, True, True, False]
selector = FunctionTransformer(lambda X: X[:, mask], validate=True)

这个selector可以直接加入到Pipeline中使用，和你自己写的Downsampler功能完全一致。

2. 使用ColumnTransformer（适配pandas DataFrame） #

如果你的数据是pandas DataFrame，想用列名来选择保留的特征，ColumnTransformer更直观：

from sklearn.compose import ColumnTransformer

# 保留指定列，其余列直接丢弃
selector = ColumnTransformer(
    transformers=[('keep', 'passthrough', ['column_name1', 'column_name2'])],
    remainder='drop'
)

至于你提到的时间序列降采样场景，scikit-learn没有专门的内置Transformer，但可以用FunctionTransformer包装pandas的resample方法实现：

import pandas as pd
from sklearn.preprocessing import FunctionTransformer

# 降采样到1分钟，以均值聚合（可根据需求替换为sum、max等）
ts_downsampler = FunctionTransformer(
    lambda df: df.resample('1min').mean(),
    validate=False
)

内容的提问来源于stack exchange，提问作者Frank Seidl