主要观点总结
本文主要介绍了使用scikit-learn库中的Pipeline、ColumnTransformer、FeatureUnion和FunctionTransformer等工具进行数据处理和特征工程的流程。文章详细解释了这些工具的使用方法和应用场景，包括如何定义预处理步骤、如何应用转换器到数据集中，以及如何处理异构数据类型和并行应用多个转换。此外，文章还提到了如何保存和加载预处理管道，以便在未来的工作中重复使用。最后，文章强调了这些工具在机器学习工作流程中的重要作用。
关键观点总结
关键观点1: Pipeline
提供了一种快速方法，按顺序将不同的预处理转换器应用于数据。
关键观点2: ColumnTransformer
是一种很好的方法，可以按顺序将单独的预处理步骤应用于不同的特征子集。
关键观点3: FeatureUnion
能够并行应用不同的预处理转换。
关键观点4: FunctionTransformer
提供一种超级简单的方法来编写自定义特征工程函数并将其集成到管道中。
文章预览
尽管近年来由于 PyTorch 的迅猛发展， scikit-learn 作为建模库已基本失宠，但它仍然是最好的数据准备库之一。 如果你准备深入挖掘一下，你将发现一个宝库，里面有大量有用的工具，可用于更高级的数据准备技术，与后续建模完美兼容。 在本文中，我将介绍四个 scikit-learn 类，它们可以显著加快我作为数据科学家的日常工作中的数据准备工作流程。 1.Pipeline 无缝结合预处理步骤 Scikit-learn 的 Pipeline 类使你能够将不同的预处理器或模型组合成一个可调用的代码块： 管道可以由两种不同的东西组成： 转换器 ：具有 fit() 和 transform() 方法的任何对象。可以将转换器视为用于处理数据的对象，并且通常在数据准备工作流程中会有多个转换器。例如，您可能使用一个转换器来估算缺失值，使用另一个转换器来缩放特征或对分类变量进行独热编码。 MinMaxScaler(
………………………………
