必须继承BaseEstimator和TransformerMixin，否则无法融入Pipeline或ColumnTransformer：前者提供fit_transform默认实现，后者支持get_params/set_params以供GridSearchCV和持久化使用。
为什么 TransformerMixin 和 BaseEstimator 是必须继承的？
不继承这两个基类，你的自定义转换器就无法融入 scikit-learn 的流水线（Pipeline）或与 ColumnTransformer 协同工作。前者提供 fit_transform 的默认实现（调用 fit + transform），后者确保支持 get_params/set_params —— 这是网格搜索（GridSearchCV）和模型持久化的基础。漏掉任一继承，运行时大概率报 AttributeError: 'MyTransformer' object has no attribute 'get_params' 或在 Pipeline 中直接拒绝接收该类实例。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 始终以
class MyTransformer(BaseEstimator, TransformerMixin):开头，顺序无关，但两个都得有 - 即使不做参数调优，也建议显式定义
def __init__(self, copy=True, **kwargs):并调用super().__init__()，避免后续扩展时出错 - 不要依赖
__init__做实际计算，所有拟合逻辑必须放在fit方法里
fit 和 transform 的输入输出形状必须严格对齐
scikit-learn 对转换器的输入假设是二维数组（ndarray 或 DataFrame），fit 接收 X（必需），y（可选，仅当需监督转换时）；transform 只接收 X，且返回值必须是二维结构。常见错误是：在 transform 里返回一维 Series 或 list，导致下游模型（如 LogisticRegression）报 ValueError: Expected 2D array, got 1D array instead。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
fit中只保存状态（如均值、列名、编码映射），不做任何X修改 -
transform必须返回np.ndarray或保持原始输入类型（如输入是DataFrame，输出也应是DataFrame）；用pd.DataFrame(X_new, columns=...)或np.atleast_2d(...).T显式控制维度 - 测试时用
assert X_out.ndim == 2 and X_out.shape[0] == X_in.shape[0]验证
如何安全地处理 DataFrame 输入而不破坏列信息？
很多自定义转换器需要按列操作（如对某些列标准化、对某些列做独热编码），但 scikit-learn 默认把 DataFrame 当成二维数组丢掉列名和索引。若你在 transform 里返回 numpy 数组，下游 ColumnTransformer 就无法识别列归属，甚至导致特征顺序错乱。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 在
fit中记录self.feature_names_in_ = list(X.columns)（pandas>= 1.3 支持），并在transform中重建DataFrame：return pd.DataFrame(X_new, index=X.index, columns=new_cols) - 如果转换后列数变化（如 one-hot 展开），务必维护列名映射逻辑，否则
get_feature_names_out会失效 —— 这个方法虽非强制，但缺失会导致ColumnTransformer在组合多转换器时无法对齐列 - 避免在
transform中调用X.values后完全丢弃index和columns，尤其当数据含时间序列索引或分组标识时
在 Pipeline 中调试自定义转换器的典型卡点
最常遇到的是 fit/transform 阶段数据类型不一致：比如训练时传入 DataFrame，预测时传入 numpy 数组，结果在 transform 里调用 .columns 报 AttributeError。另一个隐形坑是 fit 时 X 含缺失值，而你的转换逻辑没做防御，导致训练中断但错误堆栈指向下游模型。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 在
fit和transform开头加类型检查：if not hasattr(X, 'shape'):或isinstance(X, pd.DataFrame)，并统一转为内部处理格式 - 对缺失值做显式处理：要么在
fit中统计每列的nan策略（如填充中位数），要么在transform中抛出明确提示：if X.isna().any().any(): raise ValueError("NaN not supported in MyTransformer") - 用
sklearn.utils.validation.check_array(X, force_all_finite=False)替代手写检查，它能兼容稀疏矩阵和不同 dtype
Pipeline + GridSearchCV + 不同数据源（CSV / DB / API）混合场景下不悄悄改数据形状、不丢列名、不误吞 NaN。这些细节不会在文档首页强调，但每个都足以让模型在生产环境突然失效。 
