### 如何在 Python 中安装 `sklearn.compose` 组件 要使用 `sklearn.compose` 模块，实际上并不需要单独安装它，因为它是作为 `scikit-learn` 库的一部分提供的。因此，只需通过以下方式安装完整的 `scikit-learn` 库即可： #### 安装步骤 可以通过运行以下命令来安装或更新 `scikit-learn`： ```bash pip install --upgrade scikit-learn ``` 这会自动下载并安装最新版本的 `scikit-learn`，其中包含了 `compose` 模块。 如果遇到类似于 “No module named sklearn” 的错误，则可能是因为未正确安装 `scikit-learn` 或者环境配置有问题。此时应确认是否已经成功执行了上述安装命令[^1]。 #### 使用示例 以下是关于如何利用 `ColumnTransformer` 和其他工具构建数据处理流水线的一个简单例子： ```python from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline from sklearn.impute import SimpleImputer from sklearn.preprocessing import OneHotEncoder, StandardScaler numeric_features = ['age', 'income'] categorical_features = ['gender', 'occupation'] numerical_pipeline = Pipeline([ ('imputer', SimpleImputer(strategy='median')), ('scaler', StandardScaler()) ]) categorical_pipeline = Pipeline([ ('imputer', SimpleImputer(strategy='most_frequent')), ('onehot', OneHotEncoder(handle_unknown='ignore')) ]) preprocessor = ColumnTransformer( transformers=[ ('num', numerical_pipeline, numeric_features), ('cat', categorical_pipeline, categorical_features) ] ) pipeline = Pipeline(steps=[('preprocessor', preprocessor)]) ``` 此代码片段展示了如何组合数值型特征与分类型特征的不同预处理逻辑，并最终形成一个统一的数据转换管道[^4]。 注意：确保所使用的 `scikit-learn` 是较新的版本（至少为0.20及以上），因为在早期版本中某些功能可能不可用或者名称不同。