能否在sklearn ColumnTransformer中集成估算器并构建PMMLPipeline？

问题分析与解答 #

1. sklearn.compose.ColumnTransformer中能否使用估算器？ #

严格来说，ColumnTransformer的设计初衷是处理特征转换流程，它期望每个分支的组件是实现了fit和transform方法的转换器。不过像KMeans这类估算器其实也实现了transform方法（返回样本到各聚类中心的距离），所以从sklearn的运行逻辑上，是可以把它嵌套在ColumnTransformer的子Pipeline中的，但这会带来两个关键问题：

• ColumnTransformer本身没有predict方法：它只是特征转换工具，不能直接生成预测结果，必须把转换后的特征传给后续的预测器（比如你的LinearRegression）才能完成预测。你遇到的AttributeError: 'ColumnTransformer' object has no attribute 'predict'就是这个原因。
• 旧版本sklearn2pmml对这种嵌套场景支持有限：从你的报错信息来看，当前环境的sklearn2pmml无法识别ColumnTransformer内部的KMeans估算器，导致PMML导出失败。

2. 关于ColumnTransformer.transform结果的疑问 #

你提到transform后得到5列（clVars处理结果）+3列（idVars），这是完全符合预期的：

• 你的子Pipeline是StandardScaler() -> PCA(4) -> KMeans(5)：KMeans.transform()默认返回的是每个样本到5个聚类中心的距离，所以这部分输出是5列，而非PCA的4列或原始clVars列（ColumnTransformer默认会用处理后的特征替换原始列，除非你设置remainder="passthrough"保留未指定的列）。
• idVars通过"passthrough"直接保留，所以是3列。

3. PMMLPipeline导出失败的解决方案 #

针对sklearn2pmml无法识别ColumnTransformer内KMeans的问题，你可以尝试以下两种方案：

方案一：调整Pipeline结构，将KMeans移到ColumnTransformer之外

把clVars的标准化+PCA放在ColumnTransformer中，然后把KMeans作为独立步骤放在ColumnTransformer之后，让sklearn2pmml能更好地识别：

from sklearn.pipeline import PMMLPipeline, Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
from sklearn2pmml.preprocessing import ExpressionTransformer
from sklearn.linear_model import LinearRegression

pipeline = PMMLPipeline([
    ("clt", ColumnTransformer([
        ("cl", Pipeline([
            ("std", StandardScaler()),
            ("pca", PCA(4))
        ]), clVars),
        ("id", "passthrough", idVars)
    ])),
    ("kmeans", KMeans(5)),
    ("et", ExpressionTransformer("X[0]+X[1]")),
    ("lr", LinearRegression())
])

注意：这样调整后，KMeans会对ColumnTransformer输出的所有特征（PCA结果+idVars）做聚类，如果你只想对PCA结果做聚类，可额外嵌套ColumnTransformer或用特征选择器筛选对应列。

方案二：用sklearn2pmml的TransformerWrapper包装KMeans

sklearn2pmml提供了TransformerWrapper类，可以把估算器包装成转换器，让它能被PMML导出逻辑正确识别：

from sklearn2pmml.decoration import TransformerWrapper

pipeline = PMMLPipeline([
    ("clt", ColumnTransformer([
        ("cl", Pipeline([
            ("std", StandardScaler()),
            ("pca", PCA(4)),
            ("kmeans", TransformerWrapper(KMeans(5)))
        ]), clVars),
        ("id", "passthrough", idVars)
    ])),
    ("et", ExpressionTransformer("X[0]+X[1]")),
    ("lr", LinearRegression())
])

这个方案能保留你原本的Pipeline结构，同时解决PMML导出的兼容性问题。

额外建议：升级依赖版本

你的sklearn版本是0.21.2（较为老旧），建议升级到0.24.x或更高版本，同时安装对应兼容版本的sklearn2pmml（比如sklearn2pmml 0.9.x+对应sklearn 0.24+），新版本对ColumnTransformer和估算器的嵌套支持更完善。

4. 关于ColumnTransformer.predict的说明 #

ColumnTransformer是特征转换组件，没有predict方法是正常行为。如果你想验证整个Pipeline的预测能力，应该调用完整PMMLPipeline的predict方法，而非单独调用ColumnTransformer的predict。

内容的提问来源于stack exchange，提问作者user11671065