如何在机器学习Pipeline中仅标准化数值列？

嘿，我完全懂你踩的坑——直接给StandardScaler传columns参数肯定跑不通，因为StandardScaler本身根本没这个参数呀！要实现只对指定数值列做标准化，咱们得用sklearn的ColumnTransformer来配合Pipeline，它就是专门用来给不同特征组分配不同预处理逻辑的工具。

下面给你一步步拆解实现方法：

1. 先导入必要的模块 #

from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler
# 如果你的类别列需要编码，还可以导入独热编码器
# from sklearn.preprocessing import OneHotEncoder

2. 构建特征预处理规则 #

这里分两种常见场景：

场景1：类别列暂时不做处理，直接保留 #

如果你只是想标准化数值列，类别列原样传给后续模型，可以这么写：

# 定义预处理转换器：只对X_num_cols中的数值列做标准化，其余列直接传递
preprocessor = ColumnTransformer(
    transformers=[
        # 给这个预处理步骤起个名字，指定用StandardScaler，作用于X_num_cols
        ('num_scaler', StandardScaler(), X_num_cols)
    ],
    # 关键参数：未被指定的列（比如类别列）不做处理，直接保留
    remainder='passthrough'
)

场景2：类别列需要做独热编码 #

如果你同时需要处理类别列（比如做独热编码），只需要在transformers里再加一组规则：

# 假设你已经定义了类别列的列表
# X_cat_cols = ['category_feature1', 'category_feature2']

preprocessor = ColumnTransformer(
    transformers=[
        ('num_scaler', StandardScaler(), X_num_cols),
        # 给类别列做独热编码，handle_unknown='ignore'避免测试集出现新类别报错
        ('cat_encoder', OneHotEncoder(handle_unknown='ignore'), X_cat_cols)
    ],
    # 如果所有特征列都被上述规则覆盖了，就不需要remainder；否则还是加上remainder='passthrough'
)

3. 集成到Pipeline并使用 #

把预处理步骤和你的模型（比如分类/回归模型）组合成完整的Pipeline，就可以正常拟合和预测了：

# 举个例子，用逻辑回归模型，替换成你实际用的模型就行
from sklearn.linear_model import LogisticRegression

# 构建完整Pipeline
pipe = Pipeline([
    ('preprocessing', preprocessor),
    ('model', LogisticRegression())
])

# 训练和预测
pipe.fit(X_train, y_train)
y_pred = pipe.predict(X_test)

为什么之前的方法不行？ #

StandardScaler是一个面向整个特征矩阵的转换器，它没有columns参数来指定要处理的列——你可能把它和pandas的列级操作搞混了。而ColumnTransformer会自动把不同预处理步骤的结果合并成统一的特征矩阵，完美适配Pipeline的端到端流程，这也是sklearn处理混合类型特征的标准方式。

内容的提问来源于stack exchange，提问作者KubiK888