为何在ColumnTransformer中使用SimpleImputer会生成额外列？

你遇到的多列异常，本质是对ColumnTransformer的运行机制存在误解，叠加分支配置的重复选列问题导致的：

核心机制偏差 #

不要把ColumnTransformer的多分支逻辑和Pipeline的串行执行混淆：

• ColumnTransformer的所有分支是并行独立运行的：每个分支只会从传入的原始输入X中，抽取自身配置指定的列，独立完成转换，不会自动调整执行顺序，也不会去重被多个分支重复选中的列
• 所有分支的转换结果，会按照你在转换器列表里的书写顺序直接横向拼接
  对照你当前的配置，三个分支的实际输出逻辑是：
• 第一个分支AttributeAdder：从原始X中抽取全部数值列（也就是num_att覆盖的所有列，自然也包含带缺失值的total_bedrooms），完成衍生特征计算后，输出「原始全部数值列 + 2个衍生特征」的矩阵，一共占原始数值列数+2的长度。以加州房价数据集为例，数值列共8列，加上2个衍生特征后正好占0-9的索引位置，其中索引4就是原始的、未经过填充的total_bedrooms列。
• 第二个分支SimpleImputer：同样从原始X中抽取单独指定的total_bedrooms列，完成中位数填充后，输出1列的填充结果——因为第一个分支已经占了10列，这一列就正好落在索引10的位置，也就是你看到的“多余列”。
• 第三个分支OneHotEncoder：从原始X中抽取全部类别列，做独热编码后输出对应矩阵。
  你之前尝试把SimpleImputer拿出来单独运行时没有出现多余列，是因为那时候它没有作为独立分支嵌在ColumnTransformer里，不存在重复选列拼接的问题——此时的ColumnTransformer只会并行运行属性加法和类别编码两个分支，你后续对整个输出矩阵单独做填充操作，自然不会额外生成新列。

附加流程逻辑bug #

你当前的代码设计，其实没有达到预期的“先填充缺失值、再计算衍生特征”的效果：
因为所有分支是并行运行的，你的AttributeAdder拿到的是未经过缺失值填充的原始total_bedrooms列，计算出的两个衍生特征（户均房间数、户均人口）会带着缺失值参与运算，最终结果存在偏差。 #

按照原教材的标准实现逻辑，需要把数值类的处理步骤改成串行流水线结构，避免重复选列、保证执行顺序正确：

• 不再把SimpleImputer作为独立的并行分支，而是将“缺失值填充→特征衍生”封装成专门处理数值列的子流水线
• 类别列单独保留OneHot编码的并行分支即可
• 移除不必要的remainder='passthrough'配置：因为两个分支已经覆盖了全部数值列、类别列，没有剩余需要透传的列
  参考修正后的代码结构：

from sklearn.pipeline import Pipeline

# 数值列串行处理流水线：先填充缺失值，再做特征衍生
num_pipeline = Pipeline([
    ('imputer', SimpleImputer(strategy='median', output_pandas=True)),
    ('attr_adder', AttributeAdder())
])

# 总列转换器配置
transformer = ColumnTransformer(
    [
        ('num_process', num_pipeline, num_att),
        ('ohe', OneHotEncoder(), category_att)
    ]
)

调整后既不会出现重复生成的多余列，也能保证衍生特征是基于无缺失的数值列计算的，和教材的预期流程完全一致。

注意：如果你的AttributeAdder方法里依赖pandas的iloc索引取值，给SimpleImputer配置output_pandas=True参数，可让流水线输出保留pandas DataFrame结构，避免出现类型不兼容的报错。

内容的提问来源于stack exchange，提问作者SoraHeart