ColumnTransformer para tipos mistos
Preparação diferente para cada grupo de colunas.
ColumnTransformer para tipos mistos é uma aula grátis de Data Science Academy no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Data Science Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Data Science Academy inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
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. 🔧
Perguntas Frequentes
A aula “ColumnTransformer para tipos mistos” é grátis?
Sim — o texto completo de “ColumnTransformer para tipos mistos” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Data Science Academy, atualize para CoddyKit PRO. O curso de Data Science Academy inclui 4 aulas no total.
O que vou aprender em “ColumnTransformer para tipos mistos”?
Preparação diferente para cada grupo de colunas. Você pratica Data Science Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Data Science Academy?
Nenhuma experiência prévia é necessária. Data Science Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.
Quanto tempo leva a aula “ColumnTransformer para tipos mistos”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Data Science Academy?
Sim. Cada aula de Data Science Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Por que os pipelines superam etapas manuais
- ColumnTransformer para tipos mistos
- Ajustar com GridSearchCV
- Salvar e recarregar um pipeline treinado