sklearn.pipeline可以将多个数据预处理步骤和机器学习模型组合,成一个整体,从而简化了机器学习的流程。 sklearn.pipeline类可以将多个算法模型串联起来，比如将特征提取、归一化、分类组织在一起形成一个典型的机器学习问题工作流，主要带来两点好处:

• 1.直接调用 fit 和 predict 方法来对pipeine中的所有算法模型进行训练和预测。
• 2.可以结合gid search对参数进行选择，具体而言，Pipeline 实现了对全部步骤的流式化封装和管理,可以很方便地使参数集在新数据集(比如测试集)上被重复使用。

下面是一个简单的例子,展示了如何使用 Pipelne 对训练集和测试集进行如下操作: 先用 Siandardscaler对数据集每一列做标准化处理(是transfomer),再用PCA将原始的30维度特征压缩到2维度, 最后再用模型,LogisticRegression(是Estimator)。

调用Pipeline时，输入中元组构成的列表，每个元组第一个值为变量名，元组第二个元素是sklearn中的transfomer或Esimator，注意中间每一步是transformer，即它们必须包含fit和transfomr方法,或者ft_tansform，最后一步是个Estimator，即最后一步模型要有fit方法，可以没有transform方法.

from sklearn.preprocessing import Standardscalerfrom sklearn.decomposition import PCA
from sklearn.linear model import LogisticRegression
from sklearn.pipeline import Pipelinepipe_lr= Pipeline([('sc',standardscaler()),('pca'，PCA(n_components=2)),('clf',LogisticRegression(random state=1))])
pipe_lr.fit(x_train, y_train)
print('Test accuracy:%.3f'% pipe_lr.score(x test, y_test))