sklearn Pipeline是否支持过滤记录？其相关设计理念是什么？

1. 现有版本规范是否有变化 #

截至scikit-learn 1.3.x稳定版本，你提到的API规范仍然没有调整：所有符合官方标准的Transformer，其transform、fit_transform方法的输入输出必须保持样本数量完全一致，不允许删除或新增样本。

2. 官方设计层面的核心原因 #

官方在API设计文档和多次开发者讨论中明确提到不支持样本删除逻辑的核心理由包括：

• 样本对齐约束：Pipeline的全链路逻辑默认所有步骤的样本是一一对应的，尤其是监督学习场景下特征矩阵X和标签向量y的索引完全绑定。如果Transformer中途删除X的样本，会直接导致和后续y的索引错位，即便你自定义逻辑同步处理X和y，也会和交叉验证、超参数搜索等上层工具的默认逻辑冲突。
• 训练推理一致性要求：scikit-learn要求所有组件在训练阶段和推理阶段的行为完全一致，输入N个样本必须输出N个对应结果。如果训练阶段你删除了符合特定条件的样本，推理阶段遇到同类样本时不可能直接删除（否则输出结果数量和输入不匹配，无法满足线上部署、批量预测的基本要求），逻辑上无法做到前后统一。
• 生态兼容性要求：整个scikit-learn生态的配套工具，包括交叉验证、网格搜索、Pipeline缓存机制、第三方兼容库等，全部基于「Transformer不会改变样本数量」的前提开发。一旦打破这个规则，所有上层工具都会出现不可预期的错误，官方不会为了单一需求破坏整个生态的一致性。

3. 官方推荐的替代方案 #

如果需要实现类似样本过滤的能力，官方推荐两种符合规范的实现路径：

• 将固定规则的样本过滤逻辑放在Pipeline之前，作为独立的数据预处理步骤，不纳入Pipeline链路；
• 若过滤逻辑需要和Pipeline一同训练（比如异常值检测类的过滤），可以不对样本做删除操作，而是额外输出样本权重标记，给需要过滤的样本赋予0权重，后续选用支持样本权重的模型进行训练，变相实现忽略目标样本的效果。

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