如何在sklearn Pipeline中仅标准化数值型变量？

这问题太常见了——直接套Pipeline确实会一股脑把所有列都标准化，包括你辛苦转好的哑变量。不过别担心，用ColumnTransformer就能完美解决这个精准处理不同列的需求，下面给你一步步讲怎么实现：

核心思路 #

用ColumnTransformer把数据分成两组：一组是需要标准化的数值型变量，另一组是直接保留的哑变量。把这个预处理逻辑作为Pipeline的第一步，后面再接KNN模型就行。

具体实现步骤 #

1. 导入必要的库

   import pandas as pd
   from sklearn.pipeline import Pipeline, ColumnTransformer
   from sklearn.preprocessing import StandardScaler
   from sklearn.neighbors import KNeighborsClassifier  # 分类任务用这个；回归任务换KNeighborsRegressor
   

2. 区分数值列和哑变量列
   你已经用pd.get_dummies转好了哑变量，所以可以通过数据类型或者列名来区分两组列：

   # 假设你的数据集是df
   # 提取数值型列（比如int64、float64类型）
   numerical_features = df.select_dtypes(include=['int64', 'float64']).tolist()
   # 提取哑变量列（通常是uint8类型，因为get_dummies生成的0/1列默认是这个类型）
   dummy_features = df.select_dtypes(include=['uint8']).tolist()
   

   当然你也可以手动指定列名，比如numerical_features = ['age', 'income']，更灵活。

3. 构建预处理转换器
   用ColumnTransformer定义对不同列的处理规则：

   preprocessor = ColumnTransformer(
       transformers=[
           # 对数值列做标准化
           ('num_scaler', StandardScaler(), numerical_features),
           # 对哑变量列直接跳过处理，原样保留
           ('dummy_passthrough', 'passthrough', dummy_features)
       ])
   

4. 组装完整的Pipeline
   把预处理和KNN模型串起来：

   # 分类任务示例
   pipeline = Pipeline([
       ('preprocessing', preprocessor),
       ('knn_classifier', KNeighborsClassifier(n_neighbors=5))
   ])
   
   # 如果是回归任务，替换成KNeighborsRegressor
   # pipeline = Pipeline([
   #     ('preprocessing', preprocessor),
   #     ('knn_regressor', KNeighborsRegressor(n_neighbors=5))
   # ])
   

5. 使用Pipeline训练和预测
   接下来就像用普通Pipeline一样操作就行：

   # 假设X是特征集，y是目标变量
   pipeline.fit(X_train, y_train)
   y_pred = pipeline.predict(X_test)
   

额外提示 #

• 如果你是在Pipeline里从零处理分类变量（还没转哑变量），其实可以把OneHotEncoder也整合到ColumnTransformer里，这样整个流程更规范，还能避免训练集和测试集哑变量列不一致的问题，比如：

  from sklearn.preprocessing import OneHotEncoder
  preprocessor = ColumnTransformer(
      transformers=[
          ('num', StandardScaler(), numerical_features),
          ('cat', OneHotEncoder(handle_unknown='ignore'), categorical_features)
      ])
  

  不过你已经用pd.get_dummies处理过了，前面的方案完全够用。
• 记得确保训练集和测试集的列顺序、列名完全一致，不然ColumnTransformer会报错哦。

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