小编Arm*_*ena的帖子

scikit-learn 1.2.0 中有很多变化，它支持所有变压器的 pandas 输出，但如何在自定义变压器中使用它？

在[1]中：这是我的自定义变压器，它是一个标准缩放器：

from sklearn.base import BaseEstimator, TransformerMixin
import numpy as np

class StandardScalerCustom(BaseEstimator, TransformerMixin):
    def fit(self, X, y=None):
        self.mean = np.mean(X, axis=0)
        self.std = np.std(X, axis=0)
        return self

    def transform(self, X):
        return (X - self.mean) / self.std

在[2]中：创建了特定的scale管道

scale_pipe = make_pipeline(StandardScalerCustom())

在[3]中：添加到一个完整的管道中，它可能与缩放器、输入器、编码器等混合。

full_pipeline = ColumnTransformer([
    ("imputer", impute_pipe, ['column_1'])
    ("scaler", scale_pipe, ['column_2'])
])

# From documentation
full_pipeline.set_output(transform="pandas")

得到这个错误：

ValueError：无法配置 StandardScalerCustom() 的输出，因为set_output不可用。

有一个解决方案，它可以是： set_config(transform_output="pandas")

但根据具体情况，如何在 StandardScalerCustom() 类中创建一个可以修复上述错误的函数？