ColumnTransformer para tipos mixtos
Preparación diferente para cada grupo de columnas.
ColumnTransformer para tipos mixtos es una lección gratuita de Data Science Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Data Science Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Data Science Academy incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
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. 🔧
Preguntas frecuentes
¿La lección «ColumnTransformer para tipos mixtos» es gratis?
Sí — el texto completo de «ColumnTransformer para tipos mixtos» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Data Science Academy, actualiza a CoddyKit PRO. El curso de Data Science Academy incluye 4 lecciones en total.
¿Qué aprenderé en «ColumnTransformer para tipos mixtos»?
Preparación diferente para cada grupo de columnas. Practicas Data Science Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Data Science Academy?
No se requiere experiencia previa. Data Science Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «ColumnTransformer para tipos mixtos»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Data Science Academy?
Sí. Cada lección de Data Science Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Por qué los pipelines superan a los pasos manuales
- ColumnTransformer para tipos mixtos
- Ajustar con GridSearchCV
- Guardar y volver a cargar un pipeline entrenado