如何将Featuretools集成到含GridSearchCV的机器学习流程中？

我正在探索将Featuretools集成到机器学习流水线中，用于从数据框（Df）生成新特征。当前使用内嵌Pipeline的GridSearchCV，但Featuretools会生成如STD(column)这类列聚合特征，担心存在数据泄露问题，而官方FAQ给出的解决方案不匹配现有Pipeline结构。

以下是我考虑的几种方案：

• 方案0：希望直接将Featuretools集成到Pipeline中，但似乎二者不兼容。理想流程是：用折内训练数据构建特征，转换折内测试数据，重复K次；在GridSearchCV的Refit=True阶段，用全部数据构建特征。若有可行案例欢迎分享。
• 方案1：切换至非流水线内嵌的手动CV结构，每个折中用训练数据构建新特征，再转换测试数据，重复K次，最终用全部数据构建最终模型。这是最安全的方案，但存在耗时、复杂度高的缺点。
• 方案2：用全部数据运行Featuretools，忽略数据泄露风险。我并不倾向此方案，但项目官方示例均采用合并训练与测试数据生成特征，再划分数据集建模的方式。若开发者认可此方式，或许可以尝试。

想了解各位关于Featuretools的实践经验，望不吝赐教。

内容的提问来源于stack exchange，提问作者Ali Kılınç