如何仅对numpy数组指定列应用sklearn StandardScaler并集成到Pipeline？

当然可以一步搞定这个需求！Scikit-learn里的ColumnTransformer就是专门用来处理这种对不同列应用不同预处理操作的场景，刚好能和Pipeline无缝集成，完美满足你只缩放前2列、保留最后一列二元值的需求。

具体实现步骤： #

1. 导入所需工具：需要StandardScaler、ColumnTransformer和Pipeline，还有numpy用来生成示例数据。
2. 定义列处理规则：用ColumnTransformer指定：
   • 对前2列（索引0和1）应用StandardScaler
   • 对最后1列（索引2）用'passthrough'参数直接保留，不做任何处理
3. 集成到Pipeline：把ColumnTransformer作为Pipeline的第一步（如果后续还有模型，直接加在后面就行）

完整代码示例： #

import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline

# 生成示例数据：3列，前2列连续值，最后1列二元值
X = np.array([[1.0, 2.0, 0],
              [3.0, 4.0, 1],
              [5.0, 6.0, 0],
              [7.0, 8.0, 1]])

# 定义列转换器：指定要缩放的列和保留的列
preprocessor = ColumnTransformer(
    transformers=[
        ('scaler', StandardScaler(), [0, 1])  # 对0、1列应用StandardScaler
    ],
    remainder='passthrough'  # 剩下的列（这里是第2列）直接保留
)

# 构建Pipeline（如果后续要加模型，直接在列表里添加即可）
pipeline = Pipeline(steps=[('preprocessor', preprocessor)])

# 执行预处理
X_processed = pipeline.fit_transform(X)

print("处理后的数据：")
print(X_processed)

代码解释： #

• ColumnTransformer的transformers参数是一个列表，每个元素是一个三元组：(名称, 预处理对象, 列索引/列名)，这里我们给缩放操作命名为'scaler'，指定对索引0和1的列应用StandardScaler。
• remainder='passthrough'是关键：它会把所有没有被指定处理的列原封不动地保留下来，刚好对应你的第三列二元值。如果不设置这个参数，默认会丢弃未指定的列，这就不符合你的需求了。
• 把这个preprocessor放到Pipeline里后，后续无论是训练模型还是预测，都可以直接用pipeline.fit()或者pipeline.transform()，完全实现了一步完成预处理的目标。

如果你的数据集是DataFrame而不是numpy数组，也可以直接用列名来指定（比如['col1', 'col2']），用法是一样的哦。

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