Summary  
This chapter explains how to use ColumnTransformer to assign different preprocessing transformers to specified columns within a single pipeline, enabling you to apply, for example, an OrdinalEncoder to ordinal features and a OneHotEncoder to nominal features in one step.

General domain of usage  
Preprocessing tabular data for machine learning.

`.fit_transform(X)` で `Pipeline` を呼び出すと、各トランスフォーマーが**すべてのカラム**に適用されますが、これは常に望ましいわけではありません。カラムごとに異なるエンコーダーが必要な場合があります。たとえば、順序特徴量には `OrdinalEncoder`、名義特徴量には `OneHotEncoder` を使用します。
`ColumnTransformer` を使うことで、`make_column_transformer` を利用して**特定のカラムに異なるトランスフォーマーを割り当てる**ことができます。

`make_column_transformer` は `(transformer, [columns])` のタプルを受け取ります。
例えば、`OrdinalEncoder` に `'education'` を、`OneHotEncoder` に `'gender'` を適用する場合:

```python
ct = make_column_transformer(
   (OrdinalEncoder(), ['education']),
   (OneHotEncoder(), ['gender']),
   remainder='passthrough'
)
```

`remainder`は、指定されていない列に対して何が行われるかを制御。
デフォルト: `'drop'`。
他のすべての列を変更せずに保持するには、`remainder='passthrough'`を設定。

注意

例として、`exams.csv`ファイルを考慮。複数の**名義**列（`'gender'`、`'race/ethnicity'`、`'lunch'`、`'test preparation course'`）と1つの**順序**列（`'parental level of education'`）を含む。

import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/exams.csv')

print(df.head())

`ColumnTransformer` を使用すると、名義データは `OneHotEncoder` で、順序データは `OrdinalEncoder` で **一度に変換** 可能。

from sklearn.compose import make_column_transformer
from sklearn.preprocessing import OneHotEncoder, OrdinalEncoder

edu_categories = ['high school', 'some high school', 'some college', "associate's degree", 
                  "bachelor's degree", "master's degree"]

ct = make_column_transformer(
  (OrdinalEncoder(categories=[edu_categories]), ['parental level of education']),
  (OneHotEncoder(), ['gender', 'race/ethnicity', 'lunch', 'test preparation course']),
  remainder='passthrough'
)

print(ct.fit_transform(df))

`ColumnTransformer` 自体もトランスフォーマーであり、標準メソッド `.fit()`、`.fit_transform()`、`.transform()` を提供。

特徴量 `'education'`、`'income'`、`'job'` を持つデータセットがあるとします。次のコードを実行した場合、`'income'` 列はどうなりますか？（`remainder` 引数は指定されていません）

機械学習は今やあらゆる場所で利用されています。自分で学びたいと思いませんか？このコースは、機械学習の世界への入門として、基本的な概念の習得、最も人気のあるMLライブラリであるScikit-learnの操作、そして最初の機械学習プロジェクトの構築を学ぶためのものです。
このコースは、Python、Pandas、Numpyの基礎知識を持つ学生を対象としています。

機械学習の概念とMLプロジェクトのワークフローについて学習します。

前処理は、MLプロジェクトにおいて最も重要な段階の一つです。本章では、ほぼすべてのデータセットに必要な前処理手順について解説します。

パイプラインは、すべての前処理ステップとモデルを組み合わせるための便利な方法です。パイプラインを使用することで、モデルの学習や利用がはるかに簡単になります。

モデリングはMLプロジェクトの中で最も楽しい段階です。モデルの構築、チューニング、評価方法を学びましょう。