必须继承BaseEstimator和TransformerMixin，否则无法被Pipeline或GridSearchCV识别：前者提供get_params/set_params支持超参搜索，后者提供fit_transform默认实现。
为什么必须继承 BaseEstimator 和 TransformerMixin
不继承 BaseEstimator，你的自定义转换器就无法被 Pipeline 或 GridSearchCV 识别为合法估计器；不继承 TransformerMixin，就默认没有 fit_transform 方法，调用时直接报 AttributeError: 'MyTransformer' object has no attribute 'fit_transform'。这两个基类不是可选的装饰，而是 scikit-learn 生态的契约——BaseEstimator 提供 get_params/set_params（用于超参搜索），TransformerMixin 提供默认的 fit_transform 实现（即先 fit 再 transform）。
- 只继承
BaseEstimator而不继承TransformerMixin：必须手动实现fit_transform，否则 pipeline 里会炸 - 只继承
TransformerMixin而不继承BaseEstimator：GridSearchCV会拒绝该类，报错ValueError: Parameter grid must be a dict（因为缺get_params） - 两个都不继承：连
pipeline.fit(X)都过不去，提示TypeError: fit() missing 1 required positional argument: 'y'（误当 estimator 处理）
如何正确实现 fit 和 transform 方法
fit 方法必须返回 self（支持链式调用），且不能修改输入 X；transform 必须接受已拟合过的实例调用，且输出必须是二维数组（即使只有一列，也要是 (n_samples, 1) 形状）。常见错误是把 transform 写成依赖全局变量或外部状态，导致在 cross-validation 中不同 fold 间污染。
-
fit中只能学习参数（如均值、列名、阈值），不要做数据变换；所有计算逻辑应放在transform里 - 如果需保存列名（比如只对数值列操作），在
fit中用self.feature_names_in_ = X.columns.tolist()记录，并在transform中校验输入是否匹配 - 返回值类型要一致：
transform输出numpy.ndarray就全用 ndarray；混用 pandas DataFrame 和 numpy array 容易在 pipeline 后续步骤中触发ValueError: Expected 2D array, got 1D array instead
带参数的自定义转换器怎么写才兼容 GridSearchCV
所有超参数必须通过 __init__ 的关键字参数传入，且每个参数都要有默认值（不能是 None 除非你明确处理了它），并在 __init__ 中赋值给 self 实例属性。scikit-learn 通过反射读取这些属性来构建参数网格。
- 错误写法：
def __init__(self, threshold): self.threshold = threshold or 0.5——or会让get_params()返回{'threshold': 0.5}，掩盖原始输入，grid search 搜不到threshold=None场景 - 正确写法：
def __init__(self, threshold=0.5): self.threshold = threshold，后续在fit或transform中判断if self.threshold is None: - 避免在
__init__中做耗时计算（如读文件、建索引），这会导致GridSearchCV每次 clone 时重复执行
实际例子：一个安全的列选择器
下面这个转换器只保留指定列名，并自动适配 pandas DataFrame 和 numpy array 输入：
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
立即学习“Python免费学习笔记（深入）”；
from sklearn.base import BaseEstimator, TransformerMixin
import numpy as np
import pandas as pd
<p>class ColumnSelector(BaseEstimator, TransformerMixin):
def <strong>init</strong>(self, columns):
self.columns = columns # 接受 list 或 str</p><pre class="brush:php;toolbar:false;">def fit(self, X, y=None):
if hasattr(X, 'columns'): # pandas
self.feature_names_in_ = X.columns.tolist()
else:
self.feature_names_in_ = [f'col_{i}' for i in range(X.shape[1])]
return self
def transform(self, X):
if hasattr(X, 'loc'):
return X.loc[:, self.columns]
else:
# 假设 columns 是整数索引列表
return X[:, self.columns]
注意：这个版本不校验 self.columns 是否真在 X 中存在——生产环境建议加 if set(self.columns) - set(self.feature_names_in_) 报错。真正容易被忽略的是：当 X 是稀疏矩阵时，X[:, self.columns] 可能退化为稠密，性能骤降；如有稀疏需求，得显式用 scipy.sparse 操作。
