如何在imblearn.pipeline中集成SimpleImputer与MaxAbsScaler

imblearn 提供的 make_imb_pipeline、Pipeline 本身完全兼容sklearn生态的所有预处理模块，不需要额外适配，直接按照正确的执行顺序将预处理步骤插入流水线即可。

流水线的正确排序规则 #

所有步骤的执行顺序必须遵循以下逻辑，否则会引发数据泄露、建模效果失真的问题：

1. 缺失值填充：作为最前端步骤，所有后续的缩放、过采样、分类步骤都无法处理含缺失值的特征矩阵
2. 特征缩放：放在缺失值填充之后、过采样之前，统一特征尺度后再执行SMOTE，可避免生成的少数类虚拟样本存在尺度偏差
3. SMOTE过采样：放在缩放步骤之后、分类器之前
4. LogisticRegression分类器：作为流水线的最终执行环节

基于现有make_imb_pipeline写法的最小改动实现 #

直接将两个预处理模块按顺序作为参数传入，原有过采样、分类器、交叉验证的逻辑不需要修改：

from imblearn.pipeline import make_imb_pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import MaxAbsScaler
from imblearn.over_sampling import SMOTE
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_validate

# 按全流程顺序组装流水线
full_pipeline = make_imb_pipeline(
    SimpleImputer(strategy="constant", fill_value=0), # 缺失值填充步骤
    MaxAbsScaler(), # 特征缩放步骤
    SMOTE(random_state=42), # 原有过采样模块
    LogisticRegression(max_iter=1000, random_state=42) # 原有分类器
)

# 原有10折交叉验证逻辑无改动
cv_results = cross_validate(
    full_pipeline,
    X, y, # 替换为实际使用的特征矩阵、标签向量
    cv=10,
    scoring=["roc_auc", "average_precision"]
)

# 计算两项评估指标的均值
roc_auc_mean = cv_results["test_roc_auc"].mean()
average_precision_mean = cv_results["test_average_precision"].mean()

适配超参数调优的灵活写法 #

如果后续需要对接GridSearchCV/RandomizedSearchCV开展超参数搜索，建议使用显式命名的Pipeline写法，可通过「步骤名__参数名」的格式快速定位待调参数：

from imblearn.pipeline import Pipeline

full_pipeline_named = Pipeline([
    ("imputer", SimpleImputer(strategy="constant", fill_value=0)),
    ("scaler", MaxAbsScaler()),
    ("sampler", SMOTE(random_state=42)),
    ("classifier", LogisticRegression(max_iter=1000, random_state=42))
])

注意事项

• 禁止将SMOTE步骤放在缺失值填充、特征缩放之前：会导致过采样基于含缺失值、尺度不统一的特征空间生成样本，同时引发交叉验证中的统计量泄露，让评估结果虚高
• imblearn的流水线在交叉验证执行时，会自动仅在每折的训练子集上执行过采样步骤，不会将过采样生成的虚拟样本混入验证集，完全符合不平衡数据建模的规范
• 所有sklearn生态的预处理、特征选择模块，都可以用同样的方式插入流水线的对应位置，不需要额外做兼容适配

内容的提问来源于stack exchange，提问作者Quantam