FeatureUnion不能直接拼接不同形状特征，因其本质是横向堆叠（hstack）各分支输出，要求所有分支返回相同行数（样本数）且dtype兼容；常见报错源于稀疏/稠密格式不一致或某分支未正确执行fit_transform导致shape不匹配。
FeatureUnion 为什么不能直接拼接不同形状的特征？
FeatureUnion 本质是横向堆叠（hstack）多个 transformer 的输出，要求所有分支返回的 transform 结果必须有相同行数（样本数），且 dtype 兼容。常见报错如 ValueError: blocks must be same shape 或 TypeError: float64 cannot be converted to int64，往往是因为某一分支返回了稀疏矩阵而另一分支返回了稠密数组，或某分支漏了 fit_transform 导致 shape 不一致。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 每个分支的 transformer 必须实现
fit_transform和transform，且返回格式统一（推荐全部用scipy.sparse或全部用numpy.ndarray） - 在分支内加一层
FunctionTransformer强制转换类型，例如：from sklearn.preprocessing import FunctionTransformer<br>lambda x: x.toarray() if hasattr(x, 'toarray') else x
- 用
check_estimator验证自定义 transformer 是否符合 scikit-learn 接口规范
如何让 FeatureUnion 分支各自处理不同列（比如文本列 + 数值列）？
FeatureUnion 本身不负责列选择，它只拼接输出。真正做“分列处理”的是上游的列筛选器，比如 ColumnTransformer 更适合该场景；但若坚持用 FeatureUnion，需配合 make_column_selector 或自定义 transformer 提前切列。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 避免在
FeatureUnion内部写硬编码列名逻辑，改用sklearn.compose.make_column_selector封装列选择逻辑 - 数值分支可用
StandardScaler+ColumnTransformer前置切列，再把结果喂给FeatureUnion—— 实际中更推荐直接用ColumnTransformer替代FeatureUnion，它原生支持列级路由 - 如果必须用
FeatureUnion，可包装一个继承BaseEstimator和TransformerMixin的类，在fit_transform中手动索引X[:, [0, 2]]等，但要注意传入的是 numpy array 还是 pandas DataFrame（后者需用.iloc）
FeatureUnion 在 Pipeline 中 fit 失败：fit_params 无法透传到分支？
FeatureUnion 的 fit 方法不接受自定义 **fit_params，因此像 sample_weight 这类参数不会自动分发到各子 transformer。调用 pipeline.fit(X, y, sample_weight=w) 时，FeatureUnion 会静默忽略 sample_weight，导致下游 transformer 缺失权重信息。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 改用
sklearn.pipeline.Pipeline套ColumnTransformer，后者支持对每个 transformer 单独指定fit_params（通过transformer_weights或自定义 wrapper） - 若必须保留
FeatureUnion，需重写其fit_transform方法，显式提取并分发fit_params，例如：def fit_transform(self, X, y=None, **fit_params):<br> params_list = self._split_fit_params(fit_params)<br> return np.hstack([trans.fit_transform(X, **p) for trans, p in zip(self.transformer_list, params_list)])
- 注意：scikit-learn 1.2+ 已将
FeatureUnion标记为 deprecated，官方明确推荐用ColumnTransformer替代
替代方案：ColumnTransformer 比 FeatureUnion 更可靠吗？
是的。除语法更清晰外，ColumnTransformer 原生支持列名/位置路由、独立的 fit_params 传递、稀疏/稠密混合输出自动处理，且与 Pipeline 的兼容性经过充分验证。而 FeatureUnion 的设计初衷是组合“全量输入”的不同变换路径（如 TF-IDF + PCA），不是列切分。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 只要涉及“对不同列应用不同 transformer”，优先写
ColumnTransformer(transformers=[('num', StandardScaler(), ['age', 'income']), ('cat', OneHotEncoder(), ['gender'])]) -
ColumnTransformer输出默认是稀疏矩阵，若后续 estimator 不支持（如DecisionTreeClassifier），加remainder='passthrough'并设n_jobs=1可避免隐式转换问题 - 调试时用
ct.named_transformers_['num'].transform(X)直接查看某一分支输出，比在FeatureUnion里查named_steps更直观
真正麻烦的从来不是怎么拼特征，而是拼之前有没有对齐样本顺序、缺失值填充策略、训练/预测时列名是否一致——这些细节在 ColumnTransformer 中更容易暴露和控制。
