ColumnTransformer基本用法是为不同列指定不同预处理器（如StandardScaler、OneHotEncoder），常见报错ValueError: Found array with dim 3. Expected <= 2，源于输入数据维度超限（如3D数组），需确保输入为2D结构（DataFrame或ndarray）。
ColumnTransformer 的基本用法和常见报错
直接用 ColumnTransformer 时最常遇到的是 ValueError: Found array with dim 3. Expected 或 <code>TypeError: 'int' object is not iterable，根本原因通常是传入的列名/索引格式不对，或预处理器返回了非二维结构（比如没把 OneHotEncoder 的 sparse 设为 False）。ColumnTransformer 要求每个 transformer 输出必须是二维数组，且所有输出列数加起来要能水平拼接。
正确做法是：明确指定列名（字符串列表）或列位置（整数列表），每个 tuple 必须是 (name, transformer, columns) 三元组。列名必须严格匹配 DataFrame 的 columns，大小写、空格都不能错。
- 列选择推荐用字符串列表，如
["age", "income"]；用整数索引时务必确认顺序没被重排过 - 每个 transformer 实例必须已初始化，不能传类名（如
StandardScaler），要传实例（如StandardScaler()） - 如果某列需要跳过处理，用
"passthrough"或"drop"，别留空或传None
数值列和类别列混合处理的典型配置
现实数据里往往同时有数值型（如 age、salary）和类别型（如 gender、city）字段，ColumnTransformer 是唯一能干净分离它们的方案。关键在于：数值列通常用 StandardScaler 或 MinMaxScaler，类别列优先用 OneHotEncoder(handle_unknown="ignore") —— handle_unknown="ignore" 能避免预测时遇到训练没见过的类别而崩掉。
示例配置：
立即学习“Python免费学习笔记（深入）”；
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
<p>preprocessor = ColumnTransformer(
transformers=[
("num", StandardScaler(), ["age", "salary"]),
("cat", OneHotEncoder(handle_unknown="ignore"), ["gender", "city"])
],
remainder="passthrough" # 其他列原样保留
)-
remainder="passthrough"比remainder="drop"更安全，尤其在调试阶段 - 如果类别列含缺失值，
OneHotEncoder默认会报错，需先用SimpleImputer(strategy="constant", fill_value="missing")填充 -
StandardScaler对含 NaN 的列会静默失败，务必提前检查或填充
为什么 fit_transform 后得到的是稀疏矩阵？
默认情况下，OneHotEncoder 输出稀疏矩阵（scipy.sparse matrix），而 ColumnTransformer 会把所有结果按列拼接，最终输出也是稀疏矩阵。很多模型（如 LogisticRegression）能直接处理，但像 RandomForestClassifier 会报错：Expected 2D array, got 1D array instead —— 实际是稀疏矩阵被误判为 1D。
- 解决办法：给
OneHotEncoder加参数sparse=False，或全局设set_config(transform_output="pandas")（sklearn ≥ 1.2） - 更稳妥的做法是在
ColumnTransformer外套一层toarray()转换，但注意内存开销——高基数类别列转稠密矩阵可能爆炸 - 检查输出类型：用
type(preprocessor.fit_transform(X))确认，别只看 shape
与 Pipeline 配合时的坑：列名丢失和索引错乱
把 ColumnTransformer 塞进 Pipeline 后，下游模型看不到原始列名，feature_names_in_ 会变成 None 或数字索引，导致 get_feature_names_out() 返回无意义名称（如 x0, x1）。这不是 bug，而是设计使然：sklearn 不保证中间步骤保留语义列名。
- 若需可解释性，得手动重建特征名：调用
preprocessor.get_feature_names_out()，再结合各 transformer 的get_feature_names_out()拼接 - 用 pandas DataFrame 输入时，
ColumnTransformer默认不保留 index，预测时若依赖原始 index 对齐，得在外层手动维护 - 别在
Pipeline里对ColumnTransformer做fit以外的操作（如transform单独调用），容易因内部状态不一致出错
真正麻烦的不是怎么写，而是列名拼错、缺失值没处理、稀疏/稠密混用，这些细节一错，整个 pipeline 就在 predict 阶段才暴露问题。
