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。
为什么不能直接用 sklearn.pipeline.Pipeline 套业务逻辑？
因为 sklearn 的 Pipeline 要求每个步骤必须实现 fit 和 transform，且输入输出得是二维数组（numpy.ndarray 或 pandas.DataFrame）。但真实业务里常要处理：dict、str、datetime、甚至带状态的上下文对象——这些一塞进 fit_transform 就报 ValueError: Expected 2D array, got 1D array instead 或干脆没地方存中间结果。
怎么写一个能接住业务数据的自定义转换器？
核心是绕过 sklearn 对 shape 的硬校验，自己控制输入输出类型。继承 BaseEstimator 和 TransformerMixin 仅是为了兼容 fit/transform 接口，实际逻辑完全自主：
- 重写
fit：只做必要初始化（比如加载配置、编译正则），不强制拟合数据 - 重写
transform：接受任意 Python 对象（dict列表、str、pd.Series等），返回同结构或新结构数据 - 加个
__call__方法更直觉：像函数一样用my_transformer(data)
示例：一个清洗用户地址并补全城市的转换器
class AddressCleaner(BaseEstimator, TransformerMixin):
def __init__(self, default_city="Shanghai"):
self.default_city = default_city
self.city_map = {"BJ": "Beijing", "SH": "Shanghai"}
<pre class="brush:php;toolbar:false;"><pre class="brush:php;toolbar:false;">def fit(self, X, y=None):
return self # 不做拟合，直接返回自身
def transform(self, X):
if isinstance(X, list):
return [self._clean_item(item) for item in X]
return self._clean_item(X)
def _clean_item(self, item):
if not isinstance(item, dict):
return item
addr = item.get("raw_address", "")
city_code = item.get("city_code", "")
item["city"] = self.city_map.get(city_code, self.default_city)
item["cleaned_address"] = addr.strip().replace(" ", " ") # 全角空格转半角
return item</code></pre>如何在 Pipeline 里安全混用自定义转换器和 sklearn 原生组件？
关键在数据桥接：确保上一步输出能被下一步接受。比如你的 AddressCleaner 输出是 <code>dict 列表，但下一个 StandardScaler 只吃二维数值数组——中间必须插一个适配层：
立即学习“Python免费学习笔记（深入）”；
- 写个
DictToDataFrame转换器，把dict列表转成pd.DataFrame - 用
FunctionTransformer包一层 lambda：例如FunctionTransformer(lambda x: pd.DataFrame(x)[["age", "income"]]) - 避免在 Pipeline 里跨类型强转：不要让
StandardScaler直接吃dict，会报AttributeError: 'dict' object has no attribute 'shape'
典型组合：
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
<p>pipe = Pipeline([
("clean", AddressCleaner()),
("to_df", DictToDataFrame(columns=["age", "city", "cleaned_address"])),
("scale", StandardScaler())
])哪些地方最容易出错？
不是语法错，而是语义错——Pipeline 运行时才暴露：
-
fit里误改了传入的X（比如原地.pop()），导致后续步骤拿到残缺数据 -
transform返回了和输入长度不一致的结果（比如过滤掉某些样本但没同步处理标签），引发ValueError: Found array with dim 3. Expected 2 - 在 Jupyter 里调试时用了
pipe.fit_transform(df)，但生产环境是分fit+transform调用，忘了在fit阶段保存状态（如统计值、词表） - 用
joblib.dump(pipe, ...)保存后，加载时发现自定义类没被 import —— 必须保证反序列化环境里有该类定义
业务逻辑越重，越要提前想清楚：这一步的输出，下一步到底拿什么字段、什么形状、什么类型来用。
