scikit-learn Pipeline中缺失值填充失效报Input X contains NaN错误

报错核心是ColumnTransformer的配置逻辑错误：

• ColumnTransformer中定义的多个转换器是按列分组并行执行的，转换完成后会把各分支的结果横向拼接输出，并不会按列表顺序串行处理同一列数据。
• 你的代码中对同一组numeric_columns同时绑定了两个并行分支：一个分支做缺失值均值填充，另一个分支直接跑StandardScaler标准化。标准化分支拿到的是未经过填充的原始带NaN数据，自然触发ValueError: Input X contains NaN报错，后续交叉验证得分全为nan也是这个原因导致的。
• 额外存在一个小索引错误：你将第0列pop作为标签y后，剩余特征列的索引是1~19，原代码写的numeric_columns = np.arange(19)会取0~18，匹配不到正确的列范围。

对同一组数值列的多步处理（填充→标准化），需要嵌套Pipeline实现串行执行，再嵌入到ColumnTransformer中，修正后的完整代码如下：

import numpy as np
import pandas as pd
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from sklearn.compose import ColumnTransformer
from sklearn.cross_decomposition import PLSRegression
from sklearn.pipeline import Pipeline
from sklearn.model_selection import KFold, GridSearchCV, cross_val_score

# 构造模拟数据
X = pd.DataFrame(np.random.rand(20,20))
X.iloc[2,3] = np.nan
y = X.pop(0)
# 修正列索引：pop第0列后，剩余特征列索引为1~19
numeric_columns = np.arange(1, 20)

# 数值列串行处理流：先缺失值填充，再标准化
numeric_transformer = Pipeline(steps=[
    ('impute_mean', SimpleImputer(missing_values=np.nan, strategy='mean')),
    ('scaler', StandardScaler())
])

feature_transformer = ColumnTransformer(
    transformers=[
        ('num', numeric_transformer, numeric_columns)
    ],
    remainder='passthrough'
)

# 超参数配置
parameters = {'model__n_components': [1,2,3,4,5]}

# 主流水线
pipeline = Pipeline([
    ('feature_transformer', feature_transformer),
    ('model', PLSRegression())
])

# 交叉验证策略
cv = KFold(n_splits=10, shuffle=True, random_state=42)

# 网格搜索+交叉验证评估
clf = GridSearchCV(pipeline, parameters, scoring="r2", cv=cv)
score = cross_val_score(clf, X, y, cv=cv, scoring="r2")

• SimpleImputer的fill_value参数仅在strategy='constant'时生效，使用均值填充策略时该参数无效，可删除避免逻辑混淆。
• 交叉验证配置中建议添加random_state参数固定随机种子，保证每次运行结果可复现。
• 编写ColumnTransformer时要明确：不同列的处理逻辑并行执行，同一列的多步顺序处理必须嵌套Pipeline实现。

内容的提问来源于stack exchange，提问作者RobMcC