ML管道的自定义变压器

Question

我正在尝试第一次编写自定义转换器。我的目标是编写一个利用StandardScaler（）的类似变压器类。这是数据集的链接-https://www.kaggle.com/iabhishekofficial/mobile-price-classification/kernels 。我的所有特征都是数字（乍一看），但是有些特征具有不同的值，有些具有连续的值。因此，我认为不同的值是映射的，因此它们实际上是分类特征。如果标准化，这些功能将失去其意义。 因此，我的目的是创建一个自定义转换器，该转换器可以确定哪些输入特征是数字输入的，哪些是分类输入的，然后应使用SK Learn提供的StandardScaler类对数字输入特征进行标准化。

代码如下：

#Custom transformer to standardize the continuous numerical values
class CustomNormalizer(BaseEstimator,TransformerMixin):

    #Class Constructor
    def __init__(self,features,copy=True,with_mean=True,with_std=True):
        self.features = features
        self.scaler = StandardScaler(copy,with_mean,with_std)

    #Return the fit features
    def fit( self, X, y = None ):
        return self

    # Custom transformer 
    def transform(self, X, y = None):
        categorical_feature_names = []
        numerical_feature_names = []

        unique_entries = pd.DataFrame(X[self.features].nunique(), columns = ['values']).T
        for feature in unique_entries.columns:
            if(unique_entries.loc["values", feature] == 2):
                categorical_feature_names.append(feature)
            else:
                numerical_feature_names.append(feature)

        numerical_features_scaled = self.scaler.fit_transform(X[numerical_feature_names])
        numerical_features = pd.DataFrame(numerical_features_scaled, columns = numerical_feature_names) 

        categorical_features = X.drop(numerical_feature_names, axis = 1)

        return categorical_features.join(numerical_features)

然后我实例化此类并拟合并转换数据集：

norm = CustomNormalizer(inputs.columns.values)
norm.fit(X_train, y_train)
norm.transform(X_train, y_train)

问题在于，作为结果，我保留了分类特征，但数字特征却给出了许多NaN（缺失值）。我不知道为什么会这样。

DataFrame之前：

DataFrame之后：