Column Transformers结合NumPy索引实现列加法的原理及复现疑问

一、后台运行机制 #

你遇到的核心问题是ColumnTransformer传递给自定义函数的输入并非原始DataFrame，而是二维NumPy数组。

当你用ColumnTransformer指定["SibSp", "Parch"]列时，它内部会先将选中的列转换为数值型NumPy数组（前提是这些列是数值类型），再传递给后续的处理管道。这就是为什么你的column_addition函数里用X[:, [0]] + X[:, [1]]能正常运行——这是标准的NumPy数组切片索引方式。

而直接把DataFrame传入该函数时，X[:, [0]]这种写法不符合DataFrame的索引规则（DataFrame需要用iloc[:, [0]]、loc[:, "列名"]或者直接取列的方式），因此会抛出索引错误。

二、非函数式复现方法 #

方式1：直接在DataFrame上计算（最简单） #

不需要借助ColumnTransformer，直接新增列即可：

import pandas as pd

# 假设df是你的原始DataFrame
df["FamilySize"] = df["SibSp"] + df["Parch"]

方式2：修改ColumnTransformer适配DataFrame操作 #

如果一定要用ColumnTransformer框架，可通过FunctionTransformer直接处理DataFrame，避免自定义函数的数组依赖：

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import FunctionTransformer

# 定义针对DataFrame的列相加逻辑
def add_sibsp_parch(df):
    # 返回单列的二维数组（符合ColumnTransformer的输出要求）
    return (df["SibSp"] + df["Parch"]).values.reshape(-1, 1)

# 构建ColumnTransformer
ct = ColumnTransformer(
    transformers=[
        ("family_size", FunctionTransformer(add_sibsp_parch, validate=False), ["SibSp", "Parch"])
    ],
    remainder="passthrough"  # 保留其他未指定的列
)

# 转换数据
processed_data = ct.fit_transform(df)
# 若需要转回DataFrame
processed_df = pd.DataFrame(
    processed_data,
    columns=["FamilySize"] + [col for col in df.columns if col not in ["SibSp", "Parch"]]
)

方式3：兼容数组与DataFrame的通用函数 #

如果想保留原函数的通用性，可加入类型判断，同时支持NumPy数组和DataFrame输入：

def column_addition(X):
    if isinstance(X, pd.DataFrame):
        return (X["SibSp"] + X["Parch"]).values.reshape(-1, 1)
    else:
        return X[:, [0]] + X[:, [1]]

内容的提问来源于stack exchange，提问作者Armando Bridena