Pipeline 默认不提供 transform 方法，因仅暴露 fit 和 fit_transform；若末尾为无 transform 的模型，需用 pipeline[:-1].transform(X) 或改用 ColumnTransformer 分支处理。
为什么直接用 Pipeline 会报 AttributeError: 'Pipeline' object has no attribute 'transform'
因为 Pipeline 默认只暴露 fit 和 fit_transform，不提供单独的 transform 方法——除非你显式调用最后一个步骤的 transform，或整个 pipeline 是用于预估（predict）而非特征转换。常见于想把训练好的 pipeline 拿去纯做特征提取时踩坑。
- 正确做法是：训练后用
pipeline.transform(X)前，确保 pipeline 的最后一步是带transform方法的估计器（如StandardScaler），而不是LogisticRegression这类只有predict的模型 - 若 pipeline 末尾是模型，改用
pipeline[:-1].transform(X)（注意：这要求 pipeline 支持切片，仅在 scikit-learn ≥ 1.2 中稳定支持） - 更稳妥写法是：用
ColumnTransformer+Pipeline组合，把特征工程逻辑全放在前段，模型单独挂后面
怎样让 Pipeline 同时处理数值列和类别列（比如 OneHotEncoder 报 ValueError: Input contains NaN）
典型错误不是编码器本身的问题，而是缺失值没在编码前清理。Pipeline 是线性执行的，OneHotEncoder 不会自动跳过 NaN 或填充它。
- 必须在
OneHotEncoder前插入SimpleImputer(strategy='constant', fill_value='missing')（类别型）或SimpleImputer(strategy='median')（数值型） - 推荐用
ColumnTransformer分开定义数值/类别分支，再各自套小 pipeline：num_pipe = Pipeline([('impute', SimpleImputer(strategy='median')), ('scale', StandardScaler())])cat_pipe = Pipeline([('impute', SimpleImputer(strategy='constant', fill_value='missing')), ('onehot', OneHotEncoder(handle_unknown='ignore'))]) - 注意
handle_unknown='ignore'必须显式设置，否则预测时遇到训练没见过的新类别会直接报错
如何在 Pipeline 中嵌入自定义函数（比如对日期列提取年份、对文本做 TfidfVectorizer）
不能直接传 lambda 或普通函数给 Pipeline，它只认符合 scikit-learn 接口的对象：要有 fit、transform、且接受 X, y=None 参数。
- 最简方式是继承
BaseEstimator和TransformerMixin，实现fit（可只return self）和transform（返回 ndarray 或 DataFrame） - 例如日期解析：
class DateFeatureExtractor(BaseEstimator, TransformerMixin):<br> def __init__(self, col_name):<br> self.col_name = col_name<br> def fit(self, X, y=None):<br> return self<br> def transform(self, X):<br> X_ = X.copy()<br> X_[f'{self.col_name}_year'] = pd.to_datetime(X_[self.col_name]).dt.year<br> return X_[[f'{self.col_name}_year']] - 文本列要接
TfidfVectorizer，别把它塞进Pipeline内部——它本身已是 transformer，直接作为 pipeline 的一步即可；但注意它只接受一维序列，需先用FunctionTransformer提取单列：FunctionTransformer(lambda x: x['text_col'], validate=False)
保存和加载训练好的 Pipeline 为什么有时失效（比如 Pickle 报 Can't pickle _thread.RLock objects）
问题多出在 pipeline 中用了非纯 Python 的对象，比如某些第三方库的模型、带线程锁的向量化器（如旧版 CountVectorizer 在多进程下）、或 pandas 的 C 扩展引用。
立即学习“Python免费学习笔记（深入）”；
- 优先用
joblib.dump/pickle（比原生 pickle 更适合 NumPy/scikit-learn 对象） - 避免在 pipeline 中嵌入未序列化的对象：检查每步的
__dict__是否含_开头的私有属性或threading相关字段 - 如果用了
CategoryEncoders等第三方库，确认其版本是否支持 pickle；部分编码器需设drop_invariant=True才能安全序列化 - 生产部署时，更推荐将 pipeline 拆解为明确步骤：保存各 step 的参数（如 scaler 的
mean_、encoder 的categories_），用纯 Python 重建，而非依赖 pickle 全量保存
真正麻烦的不是写 Pipeline，而是它内部每一步的 fit/transform 边界是否清晰、缺失值和未知类是否被提前拦截、以及序列化时有没有偷偷藏了不可持久化的状态。
