SimpleImputer必须放在StandardScaler前面，因为StandardScaler计算均值和标准差时若输入含NaN会报错，且Pipeline能确保插补与缩放使用同一训练集统计量，防止数据泄露。
必须先处理缺失值，再做特征缩放；顺序反了会导致训练集和测试集缩放基准不一致，模型效果直接崩。
为什么SimpleImputer必须放在StandardScaler前面？
因为StandardScaler计算均值和标准差时，如果输入数据里还有NaN，就会报错：ValueError: Input contains NaN。而更隐蔽的问题是：即使你用fillna手动补了缺失值，但如果没在Pipeline里严格约束顺序，交叉验证时fit_transform和transform可能用不同统计量——比如训练集用了中位数填充+本组均值缩放，测试集却用了训练集的中位数+自己的均值缩放，这就引入了数据泄露。
-
SimpleImputer必须fit在训练集上，生成的statistics_（如中位数）要复用于测试集 -
StandardScaler也必须fit在训练集上，生成的mean_和scale_才能保证测试集只做transform - 两个步骤一旦混在同一个
ColumnTransformer里但没明确依赖关系，scikit-learn不会自动帮你排顺序
ColumnTransformer里怎么写才不会乱序？
别指望ColumnTransformer按列表顺序自动串行执行——它对每个列组是并行处理的。所以数值列的缺失值填充和缩放，必须打包进同一个Pipeline里，再喂给ColumnTransformer：
Insightful Pipe
下载
跨40多个平台查询和管理营销数据——Google Analytics、Google Ads、Facebook Ads、Instagram、Shopify、HubSpot、Klaviyo、TikTok、LinkedIn等。
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from sklearn.compose import ColumnTransformer
num_pipeline = Pipeline([
('imputer', SimpleImputer(strategy='median')),
('scaler', StandardScaler())
])
preprocessor = ColumnTransformer(
transformers=[
('num', num_pipeline, ['age', 'income']),
('cat', OneHotEncoder(), ['gender'])
],
remainder='passthrough'
)
- 这里
num_pipeline内部已固化“先填再缩”的顺序，ColumnTransformer只管把整套流程应用到指定列 - 不能写成
[('imputer', SimpleImputer()), ('scaler', StandardScaler())]直接塞进ColumnTransformer——这会被当成两个独立变换器，并行跑，scaler照样会收到NaN - 类别型列如果也有缺失，同样得用
Pipeline包一层：SimpleImputer(strategy='most_frequent')+OneHotEncoder(handle_unknown='ignore')
fit_transform和transform阶段最容易踩的坑
很多人在测试集上调用preprocessor.transform(X_test)时出错，根本原因是没意识到fit_transform只该调一次，且必须用完整训练集：
立即学习“Python免费学习笔记（深入）”；
- 训练阶段：用
preprocessor.fit_transform(X_train)，此时SimpleImputer记下各列中位数，StandardScaler记下各列均值和标准差 - 测试阶段：只能用
preprocessor.transform(X_test)，绝不能再次fit_transform——否则测试集的中位数和缩放参数就污染了训练逻辑 - 如果中间插入了
pandas.DataFrame.fillna()这类手动操作，会破坏Pipeline的拟合状态，后续transform直接失效 - 用
cross_val_score时，Pipeline自动隔离每折的fit上下文，但手写循环做CV就得自己确保每次都是干净的clone
真正麻烦的不是代码写几行，而是缩放器的mean_和插补器的statistics_必须来自同一份训练数据——这个一致性靠Pipeline的封装来保障，靠人肉记忆容易漏。一旦某列在训练时被删掉、重命名或类型变过，整个链条就断了。
