基于sklearn封装特征选择类出现NoneType无fit_transform报错排查

报错AttributeError: 'NoneType' object has no attribute 'fit_transform'的核心是self.method没有被正确实例化，具体有5个硬伤：

• 命名规则不匹配：sklearn的API类全部采用大驼峰命名，你传入的方法名variance_threshold是蛇形命名，sklearn.feature_selection模块下对应的正确类名是VarianceThreshold，getattr找不到对应属性时不会主动抛错，直接返回None，这是触发报错的直接原因。
• 参数名不一致：实例化SklearnFeatureSelection时传入的参数字典键是method_args，但类构造方法定义的接收参数名是method_params，自定义参数根本没有传入类实例，构造方法的method_params默认值是类型对象Dict[str, Any]而非字典，实例化算法时传参逻辑直接失效。
• 校验逻辑失效：sklearn.utils.all_estimators返回的结构是(类名字符串, 类对象)的元组列表，直接判断字符串是否在列表中永远返回False，方法合法性校验完全没生效。
• 基类逻辑无效：父类FeatureSelection中调用inspect.getmembers()仅能获取当前模块作用域的成员，既拿不到sklearn下的算法类，也没有类实例化步骤，就算拿到类直接调用实例方法fit也会触发参数错误。
• 接口不符合sklearn规范：子类重写的fit方法仅接收X参数，不支持传入监督学习必需的标签y，后续调用SelectKBest、SelectFromModel等有监督特征选择方法时会直接报参数缺失错误。

import numpy as np
import pandas as pd
import sklearn.feature_selection as skfs
from sklearn.utils import all_estimators
from typing import Any, Dict


class FeatureSelection:
    def __init__(self, method_name: str, method_params: Dict[str, Any]):
        self.method_name = method_name
        self.method_params = method_params if method_params is not None else {}
        self.method = None
        self._is_fitted = False

    def fit(self, X, y=None, **kwargs):
        raise NotImplementedError("基类未实现具体fit逻辑，请使用子类对应方法")

    def transform(self, X):
        if not self._is_fitted:
            raise Exception("请先调用fit方法完成模型拟合再执行transform")
        return self.method.transform(X)
    
    def fit_transform(self, X, y=None, **kwargs):
        self.fit(X, y, **kwargs)
        return self.transform(X)


class SklearnFeatureSelection(FeatureSelection):
    def __init__(self, method_name: str, method_params: Dict[str, Any] = None):
        super().__init__(method_name=method_name, method_params=method_params)
        self._all_skfs_methods = self._get_all_sklearn_methods()
        self._check_sklearn_methods()
        self._init_sklearn_method_object()

    def _get_all_sklearn_methods(self):
        # 提取所有sklearn特征选择类的类名集合
        estimators = all_estimators(type_filter="feature_selection")
        return {name: cls for name, cls in estimators}

    def _check_sklearn_methods(self):
        if self.method_name not in self._all_skfs_methods:
            # 报错时给出友好提示，列出所有支持的方法
            support_methods = "\n".join(list(self._all_skfs_methods.keys()))
            raise ValueError(
                f"不支持的特征选择方法{self.method_name}，当前支持的方法列表：\n{support_methods}"
            )

    def _init_sklearn_method_object(self):
        # 实例化对应的sklearn特征选择对象
        method_cls = self._all_skfs_methods[self.method_name]
        self.method = method_cls(**self.method_params)

    def fit(self, X, y=None, **kwargs):
        # 兼容无监督/有监督特征选择的fit接口
        self.method.fit(X, y, **kwargs)
        self._is_fitted = True
        return self

if __name__ == "__main__":
    train_data = [[0, 0, 1], [0, 1, 0], [1, 0, 0], [0, 1, 1], [0, 1, 0], [0, 1, 1]]
    # 注意：方法名传sklearn原生大驼峰类名，参数字典用method_params接收
    sklearn_fs = SklearnFeatureSelection(
        method_name="VarianceThreshold",
        method_params={"threshold": 0.7}
    )
    sklearn_fs.fit(X=train_data)
    # 也可以直接调用fit_transform一步完成
    # res = sklearn_fs.fit_transform(train_data)
    res = sklearn_fs.transform(X=train_data)
    print("特征选择后结果：\n", res)

额外优化点：修正后的代码兼容sklearn原生的fit_transform调用习惯，新增了拟合状态校验，方法不存在时会直接打印所有支持的sklearn特征选择类名，不需要手动记命名规则。

内容的提问来源于stack exchange，提问作者Randy Morrison