ColumnTransformer für gemischte Datentypen
Unterschiedliche Vorbereitung je Spaltengruppe
ColumnTransformer für gemischte Datentypen ist eine kostenlose Data Science Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Data Science Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Columns Are Not Equal
Real tables mix numbers and categories, and each kind needs different prep. One scaler for everything simply will not work. 🧩
Meet ColumnTransformer
A ColumnTransformer applies different transformers to different column groups, all in one step you can drop inside a pipeline.
List Your Column Groups
First decide which columns are numeric and which are categorical. You will hand each group its own transformer by name.
num_cols = ['age', 'income']
cat_cols = ['city', 'plan']Scale the Numbers
Numeric columns usually want a StandardScaler so large and small values share a fair footing before modeling.
from sklearn.preprocessing import StandardScalerEncode the Categories
Categorical columns need numbers, so reach for OneHotEncoder to turn each category into its own 0/1 column.
from sklearn.preprocessing import OneHotEncoderWire It Together
Each entry is a tuple of name, transformer, and the columns it touches. The ColumnTransformer runs them side by side.
from sklearn.compose import ColumnTransformer
prep = ColumnTransformer([('num', StandardScaler(), num_cols), ('cat', OneHotEncoder(), cat_cols)])Slot It Into a Pipeline
Place the transformer as the first step and a model as the last. Now mixed-type prep and modeling live in one pipeline.
pipe = Pipeline([('prep', prep), ('model', LogisticRegression())])Leftover Columns
Columns you did not list are dropped by default. Set remainder to passthrough if you want to keep the rest untouched.
ColumnTransformer([...], remainder='passthrough')Handle Unseen Categories
Test data may contain a category training never saw. Set handle_unknown to ignore so the encoder stays calm instead of crashing.
OneHotEncoder(handle_unknown='ignore')Select Columns by Type
Tired of typing column names? make_column_selector grabs columns by dtype so your prep adapts as the table changes.
from sklearn.compose import make_column_selector as selectorOne Fit, Both Paths
Calling fit once trains the scaler and the encoder together on the right columns. Each path learns only from its own columns.
Quick Check
You have numeric and categorical columns needing different prep. What handles that?
Recap
You can now route numeric and categorical columns to their own transformers with a ColumnTransformer inside one pipeline. Next, tuning. 🔧
Häufig gestellte Fragen
Ist die Lektion „ColumnTransformer für gemischte Datentypen“ kostenlos?
Ja — der vollständige Text von „ColumnTransformer für gemischte Datentypen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Data Science Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „ColumnTransformer für gemischte Datentypen“?
Unterschiedliche Vorbereitung je Spaltengruppe Du übst Data Science Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Data Science Academy zu starten?
Keine Vorkenntnisse erforderlich. Data Science Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „ColumnTransformer für gemischte Datentypen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Data Science Academy-Lektion Code schreiben und ausführen?
Ja. Jede Data Science Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Warum Pipelines manuelle Schritte übertreffen
- ColumnTransformer für gemischte Datentypen
- Mit GridSearchCV abstimmen
- Eine trainierte Pipeline speichern und neu laden