如何在sklearn Pipeline中使用FunctionTransformer构造交叉特征

通过自定义函数封装特征计算逻辑，配合FunctionTransformer即可嵌入预处理流水线，实现过程中注意保留DataFrame结构避免列名丢失即可，完整实现如下：

代码实现 #

首先导入依赖：

import pandas as pd
from sklearn.preprocessing import FunctionTransformer
from sklearn.pipeline import Pipeline

编写特征计算的自定义函数，注意要复制输入数据避免污染原始数据集：

def build_derived_features(X: pd.DataFrame) -> pd.DataFrame:
    X = X.copy()
    # 计算feature_1与feature_2的差值作为新特征feature_3
    X["feature_3"] = X["feature_1"] - X["feature_2"]
    return X

将自定义逻辑封装为可接入Pipeline的预处理组件，注意关闭validate参数避免输入被强制转换为numpy数组丢失列信息：

# 封装特征构造转换器
feature_builder = FunctionTransformer(
    build_derived_features,
    validate=False
)

# 构建完整预处理器，后续可直接追加其他预处理步骤（标准化、编码等）
preprocessor = Pipeline(
    steps=[
        ("derive_features", feature_builder),
        # 示例：后续可追加其他预处理节点
        # ("std_scaler", StandardScaler()),
    ]
)

效果验证 #

用提供的示例DataFrame测试：

# 构造测试数据
df = pd.DataFrame({
    "feature_1": [2, 3],
    "feature_2": [1, 2]
})

# 执行预处理
result = preprocessor.fit_transform(df)
print(result)

运行后输出结果如下，新特征已经在预处理流程中自动生成：

feature_1  feature_2  feature_3
0          2          1          1
1          3          2          1

关键注意点 #

• 自定义特征计算函数中必须对输入的X做.copy()操作，否则会直接修改原始输入DataFrame，造成原始数据被意外篡改。
• 如果后续流水线中存在只接受numpy数组输入的组件，可以在特征构造步骤后增加格式转换逻辑，优先保证全流水线输入输出格式统一。
• 需要新增其他衍生特征时，直接在build_derived_features函数中追加计算逻辑即可，不需要新增额外的转换器节点。

内容的提问来源于stack exchange，提问作者Lucas Dresl