如何在Pycaret的setup函数中仅对特定列执行归一化而非全表

要在PyCaret的setup流程中实现“不全量归一化、仅对指定少数列做归一化”的需求，不需要编写自定义预处理管道，直接通过原生参数组合即可完成配置，核心逻辑是通过白名单机制缩小归一化步骤的作用范围，其余列全程保留在数据集中正常参与建模与其他预处理流程。

核心参数配置逻辑 #

• 首先必须开启归一化总开关：将normalize参数设为True，未开启时所有归一化相关逻辑都不会触发。
• 搭配归一化列白名单参数normalize_features：传入需要执行归一化的列名组成的列表，配置后内置归一化流程仅会作用于列表内的列，不在列表中的数值列、分类列都不会被执行归一化操作，也不会被从数据集中排除。
• 可根据需求搭配normalize_method参数指定归一化算法，可选值包括zscore、minmax、maxabs、robust，和全量归一化时的配置逻辑完全一致。

注意：如果未给normalize_features传值，PyCaret会默认对所有自动识别为数值型的列执行归一化，也就是全量处理的默认行为。

配置示例 #

假设你的数据集包含col_a、col_b、col_c、col_d、target几列，仅需要对col_a和col_c做z-score归一化，其余列不做归一化，setup的写法参考：

from pycaret.classification import *
exp = setup(
    data=your_dataframe,
    target='target',
    normalize=True,
    normalize_method='zscore',
    # 核心配置：指定需要归一化的列
    normalize_features=['col_a', 'col_c']
)

常见踩坑提示 #

• 不要和ignore_features参数混淆：ignore_features的作用是把指定列从整个建模流程中完全移除，既不参与预处理也不参与训练，和“仅不参与归一化、其余流程正常参与”的需求完全不同。
• 如果在normalize_features中指定的列被PyCaret自动识别为分类类型，需要提前通过numeric_features参数修正列的类型识别结果，否则归一化步骤会跳过类型不匹配的列，达不到预期效果。
• 低版本PyCaret（2.0之前无normalize_features参数时）的兼容方案：可以把所有不需要归一化的数值列，通过categorical_features参数临时声明为分类类型，让内置归一化流程跳过这些列。但这种方案会让这些列走分类特征的编码流程，仅适合临时应急，不建议正式场景使用。

内容的提问来源于stack exchange，提问作者gveronese