我第一次尝试使用 sklearn 的管道，并且使用的是泰坦尼克号数据集。我希望首先对 Embarked 列进行缺失值填补，然后进行独热编码。而对于 Sex 属性，我只想进行独热编码。因此，我设计了以下步骤，其中有两个步骤是针对 Embarked 的。但结果并不如预期，因为除了独热编码外，Embarked 列仍然存在（如输出中显示的带有’S’的列）。
如果我将 Embarked 的缺失值填补和独热编码合并为一个步骤，效果就如预期的那样。
这是什么原因，或者是我做错了什么？我也没有找到相关的任何信息。
categorical_cols_impute = ['Embarked']categorical_impute = Pipeline([ ("mode_impute", SimpleImputer(missing_values=np.nan, strategy='constant', fill_value='S')),# ("one_hot", OneHotEncoder(sparse=False))])categorical_cols = ['Embarked', 'Sex']categorical_one_hot = Pipeline([ ("one_hot", OneHotEncoder(sparse=False))])preprocesor = ColumnTransformer([ ("cat_impute", categorical_impute, categorical_cols_impute), ("cat_one_hot", categorical_one_hot, categorical_cols)], remainder="passthrough")pipe = Pipeline([ ("preprocessor", preprocesor),# ("model", RandomForestClassifier(random_state=0))])
回答：
ColumnTransformer 的变换器是并行应用的，而不是顺序应用的。因此，在你的例子中，Embarked 在转换后的数据中出现了两次：一次来自第一个变换器，保持其字符串类型；另一次来自第二个变换器，这次是独热编码的（但没有先进行填补！）。
所以，只需取消注释 embarked 管道中的第二步，并从 categorical_cols 中移除 Embarked 即可。
另见 Consistent ColumnTransformer for intersecting lists of columns（但我认为这并不是完全重复的问题）。
