第6章 Python 迁移与通用片段

现行主案例执行入口（2026-09-19）

Myocardial_Infarction_Complications的唯一执行根位于仓库 04_Cases/Myocardial_Infarction_Complications/，参数由analysis_config.R维护。按案例运行指南执行，不能复制本章技术Demo的变量、折数或数值替代主案例。

任务	主案例脚本
读取与描述、固定成员	L01_Read_Check_Demo.R、L02_Data_Preparation.R
LASSO lambda.min按原始变量筛选、普通Logistic	L03_Feature_Selection_Logistic.R
完整训练内筛选/调参的外层OOF	L04_Internal_Validation.R
共享特征的RF/XGBoost/SVM与SHAP	L05_ML_Comparison_SHAP.R
第5课集中纠错、Kappa冻结与留出对照	L06_Data_Audit_T0_Correction.R
单变量整体LRT与AIC机制展示	Teacher_Selection_Demonstrations.R
冻结系数列线图及验证	Export_Classroom_Artifacts.R、Validate_Review_Run.R、Check_Separation.py
Python完整统计主链快速展示	Export_Python_Raw.R、Python_Statistical_Workflow.py

Python演示保留原始缺失与固定成员，在各训练范围独立筛查、插补和选择lambda.min，再按原始变量拟合普通Logistic，训练OOF最大Kappa阈值冻结后用于测试。使用scikit-learn 1.9的SAGA，与R glmnet内层实现不同，不要求数值完全一致；R维护正式四模型比较。完整脚本课前预跑，最后一课仅快速展示数据→描述→筛选→拟合→评价，课后可依据代码与浓缩讲义复现。

All111是异常教学反例；Corrected执行已确认的时间、稀疏/零格、无变异和极低观测比例筛查。旧版T0_102不是最终纠正版。不要用已全训练插补的矩阵做CV，不从测试选变量、调参或选阈值。具体统计边界见教学契约。

通用技术Demo与原有代码片段

以下Demo_R_Project及其数值属于独立技术示范，保留作为片段查阅；本节默认值不覆盖上面的主案例配置。

本章解决什么问题： 前五章的分析全部用 R 完成。当同一条流程需要搬到 Python（团队协作、部署环境、工具链限制）时，怎么搬才不算”另起炉灶”？本章给出代码库的标准答案：R 导出同一批成员与同一份契约，Python 直接读取，不做任何重新抽样。文末附五个与医学分析相关的高频通用片段，随用随查。

本章定位： 本章全部数字来自 Demo_R_Project/ 的真实运行：R 端由 R/06_export_python_bridge.R 导出迁移契约，Python 端由 python/01_contract_migration_demo.py 按契约复跑并对测试集预测一次。迁移演示回答的问题只有一个——换一门语言，什么必须一致、什么允许不同。

注记Demo 的定位

Demo_R_Project/ 是技术演示（MASS::Pima.tr2 二分类数据），不是第三个正式教学 Case。正式教学数据只有 Myocardial Infarction Complication（直播主案例）与 Early Stage Diabetes Risk Prediction（Mini Project，均见 ../../04_Cases/）。本章演示的是迁移方法与工程纪律，数字只用于核对流程是否搬对。

什么时候用

• 已有 R 分析产物（清理后数据、划分成员、锁定模型），需要在 Python 环境复现同一条流程；
• 团队以 Python 为主，但划分、变量契约与结果口径必须以已完成的 R 分析为准；
• 任何”同一个分析，两种语言各跑一遍”的场合——例如审稿复核、部署改写。

反过来，如果你还没有固定的划分与锁定模型，先回到第 2 章与第 5 章把 R 主线做完——迁移的前提是存在一份已经冻结的契约，没有契约就没有可迁移的东西。

迁移总原则：两份清单

早期常见的做法是”两边设同一个 seed，祈祷抽样一致”。这条路在工程上走不通：同一个种子值在 R 与 Python 的随机流里产生的成员不保证逐行一致。代码库的做法是把”一致”从概率问题变成文件问题——划分只做一次（R 端第 2 章），结果写成 CSV，Python 照单读取。

必须保持一致（任务契约）：

契约项	载体
row_id（样本主键）	python_model_data.csv、两个 manifest
outcome 与正类方向	python_feature_contract.csv（positive_class）
split（train / test 成员）	split_manifest.csv
fold membership（折成员）	fold_manifest.csv
predictor contract（变量、类型、水平、参照、缺失处理、标准化）	python_feature_contract.csv
metric definition（指标定义与锁定阈值）	locked_model_config.csv、第 5 章口径

允许实现不同（不追求逐位一致）：

• API 与函数名（glm ↔︎ LogisticRegression）；
• solver 与优化路径（IRLS ↔︎ lbfgs）；
• 对象结构（data.frame ↔︎ DataFrame、公式接口 ↔︎ 矩阵接口）；
• package 选择（pROC ↔︎ sklearn.metrics）与区间估计口径；
• 图形样式（ggplot2 ↔︎ matplotlib）。

重要一句话原则

契约内的项逐行一致，由断言强制执行；契约外的实现差异如实记录、不调参对齐。Python 端 AUC 与 R 不逐位一致是预期现象，不是错误。

输入与输出

输入（全部来自 R 端已冻结产物）：

• results/tables/python_model_data.csv：row_id + 结局 y + 8 个原始尺度预测变量，缺失保持 NA（插补留给 Python Pipeline 内部学习）；
• results/tables/split_manifest.csv 与 results/tables/fold_manifest.csv：第 2 章唯一生成的成员清单；
• results/tables/python_feature_contract.csv：特征契约；
• results/models/locked_model_config.csv：锁定模型类型、超参与阈值（第 5 章产物）。

输出：

• results/tables/python_test_predictions.csv：带 row_id 的测试集预测（概率与分类）；
• results/tables/python_test_metrics.csv：测试集指标；
• results/book_fragments/ch06_python_run.md：运行记录与实现差异（本章直接引用）。

脚本与产物

脚本	职责	关键产物
Demo_R_Project/R/06_export_python_bridge.R	导出建模数据、校验 manifest 在场、写特征契约与契约片段	python_model_data.csv、python_feature_contract.csv、ch06_python_contract.md
Demo_R_Project/python/01_contract_migration_demo.py	读契约、按 manifest 取成员、Pipeline 内预处理、训练同类型模型、对 test 预测一次	python_test_predictions.csv、python_test_metrics.csv、ch06_python_run.md

R 导出脚本由 run_all.R 统一调用；Python 脚本从 Demo 项目根单独运行：python python/01_contract_migration_demo.py。

让 Agent 执行

完整 Prompt 见 prompts/06_Python迁移.md；下面是可直接复制的紧凑版。

让 Agent 运行 R → Python 迁移演示并核对契约。替换方括号后整体复制发送。

【背景】我的医学数据分析项目已用 R 完成全部正式分析并冻结产物（划分成员、特征契约、
锁定模型 logistic、锁定阈值 0.2497）。现在做 R → Python 契约迁移演示。
【当前任务】在 Demo 项目根目录依次执行：
1) Rscript R/06_export_python_bridge.R（如产物已冻结可跳过，先报告 4 个 CSV 是否在场）
2) python python/01_contract_migration_demo.py
【约束】1. 原样运行，不改代码与任何参数；2. Python 端禁止 train_test_split、
禁止重建 fold、禁止重设 seed 抽样，成员必须严格按 split_manifest.csv 取；
3. 不为让 Python 指标"对齐 R"而修改任何超参；4. 在 [你的虚拟环境] 中运行，
缺包先报告包名与版本，经我确认后再安装。
【输出要求】报告：train/test 成员数、fold 校验结果、Pipeline 结构、模型类型、
测试集 AUC 与 Brier、脚本列出的实现差异。
【验收/暂停条件】train=211 / test=89；AUC 参考值 0.7447（R 端 0.7442），
Brier 参考值 0.1905（R 端 0.1888），不要求逐位一致。若断言失败或 ImportError，
停下报告完整报错，不自行改代码。

核心实现

完整实现只在 Demo_R_Project/R/06_export_python_bridge.R 与 Demo_R_Project/python/01_contract_migration_demo.py 维护，这里只摘四处关键结构。

R 端：导出原始尺度数据与特征契约

R/06_export_python_bridge.R（摘录 1：导出建模数据）

# ---- 原始尺度建模数据（不插补、不标准化；Python 端在 Pipeline 内学习）-----------
py_data <- cohort[, c("row_id", "y", config$predictors)]
write_table(py_data, "results/tables/python_model_data.csv")
register_artifact("results/tables/python_model_data.csv", "ch06", "table",
                  "R/06_export_python_bridge.R", "data/derived/cohort_clean.csv",
                  "full cohort", "original scale; NA kept for Python-side pipeline imputation")

注意导出的不是 R 端建好的模型矩阵，而是原始尺度、缺失保留的数据——插补与标准化的”学习”必须发生在 Python Pipeline 内部，否则等于把 R 端学到的预处理信息偷渡过去。特征契约则逐行写明每个变量的角色与处理规则：

R/06_export_python_bridge.R（摘录 2：特征契约）

contract <- rbind(
  data.frame(role = "id", name = "row_id", type = "character",
             positive_class = NA_character_, factor_levels = NA_character_,
             missing_handling = NA_character_, standardization = NA_character_,
             reference_level = NA_character_, stringsAsFactors = FALSE),
  data.frame(role = "outcome", name = "y", type = "numeric",
             positive_class = config$positive_class, factor_levels = NA_character_,
             missing_handling = "none", standardization = "no",
             reference_level = NA_character_, stringsAsFactors = FALSE),
  data.frame(role = "predictor", name = config$predictors_numeric, type = "numeric",
             positive_class = NA_character_, factor_levels = NA_character_,
             missing_handling = "median", standardization = "yes",
             reference_level = NA_character_, stringsAsFactors = FALSE),
  data.frame(role = "predictor", name = config$predictor_factor, type = "factor",
             positive_class = NA_character_,
             factor_levels = paste(config$bmi_cat_labels, collapse = ";"),
             missing_handling = "mode", standardization = "no",
             reference_level = config$bmi_cat_labels[1], stringsAsFactors = FALSE))
write_table(contract, "results/tables/python_feature_contract.csv")

契约的每一行都来自单一配置源 config/config.R——参照水平、因子水平、正类不是 Python 端猜出来的，而是 R 端写死的。

Python 端：定位、读取与契约校验

python/01_contract_migration_demo.py（摘录 1：路径与契约校验）

ROOT = Path(__file__).resolve().parents[1]
TABLES = ROOT / "results" / "tables"

# （中略：读入 4 个 CSV 与 locked_model_config.csv）

    # ---- 契约校验：fold 只在 train 内且恰好划分 train；split 无交叠 --------------
    train_ids = split_manifest.loc[split_manifest["split"] == "train", "row_id"]
    test_ids = split_manifest.loc[split_manifest["split"] == "test", "row_id"]
    assert set(train_ids).isdisjoint(test_ids), "train/test overlap in split_manifest"
    assert set(fold_manifest["row_id"]) == set(train_ids), \
        "fold_manifest must partition the training set exactly"
    assert fold_manifest["fold"].nunique() > 1, "fold_manifest degenerate"

pathlib 让脚本与运行目录解耦（不出现任何个人绝对路径）；三道 assert 对应 R 端的铁律——成员清单有任何交叠或缺漏，脚本直接停，不带着错契约往下跑。

Python 端：按 manifest 取成员、契约驱动 Pipeline、预测一次

python/01_contract_migration_demo.py（摘录 2：按 manifest 取成员）

    # ---- 严格按 manifest 取成员（不重新划分）--------------------------------------
    train_df = data[data["row_id"].isin(train_ids)].copy()
    test_df = data[data["row_id"].isin(test_ids)].copy()
    X_train, y_train = train_df[num_feats + fac_feats], train_df[outcome].astype(int)
    X_test, y_test = test_df[num_feats + fac_feats], test_df[outcome].astype(int)

python/01_contract_migration_demo.py（摘录 3：契约驱动的预处理 Pipeline）

    # ---- 预处理 Pipeline（契约驱动）------------------------------------------------
    numeric_pipe = Pipeline([
        ("imputer", SimpleImputer(strategy="median")),
        ("scaler", StandardScaler()),
    ])
    factor_pipe = Pipeline([
        ("imputer", SimpleImputer(strategy="most_frequent")),
        ("onehot", OneHotEncoder(categories=fac_categories,
                                 drop=fac_references,
                                 handle_unknown="error")),
    ])
    pre = ColumnTransformer([
        ("num", numeric_pipe, num_feats),
        ("fac", factor_pipe, fac_feats),
    ])

OneHotEncoder 的 categories 与 drop（参照水平）全部来自契约文件而非数据现算；预处理包在 Pipeline 里，保证任何重采样场景下预处理都在折内重新学习——防泄漏在 sklearn 里是结构而不是自觉。

python/01_contract_migration_demo.py（摘录 4：训练一次，预测一次）

    pipe = Pipeline([("preprocess", pre), ("model", model)])

    # ---- 训练一次，对 test 成员预测一次 ---------------------------------------------
    pipe.fit(X_train, y_train)
    p_test = pipe.predict_proba(X_test)[:, 1]

    threshold = float(locked["threshold"])
    pred_bin = (p_test >= threshold).astype(int)

模型类型读取 R 端锁定配置（本次为 logistic，以 penalty=None + lbfgs 近似 R 的无惩罚 glm）；阈值 0.2497 来自锁定配置，Python 端不重新选阈值。

实际运行结果

迁移契约由 R 脚本生成，原文如下：

R → Python 迁移契约要点 · 本片段由 Demo 脚本自动生成，供教材引用

• 数据文件：results/tables/python_model_data.csv（row_id + 结局 y + 8 个原始尺度预测变量；缺失保持 NA）。
• 成员文件：results/tables/split_manifest.csv 与 results/tables/fold_manifest.csv（由 R/02 唯一生成；Python 端禁止 train_test_split / 重建 fold / 重设 seed 抽样）。
• 特征契约：results/tables/python_feature_contract.csv。
  • 数值变量（7 个）：SimpleImputer(median) + StandardScaler。
  • 因子变量 bmi_cat：水平 bmi_lt25 / bmi_25_29 / bmi_ge30；SimpleImputer(most_frequent) + OneHotEncoder，参照水平 bmi_lt25。
• 结局：y（1 = Yes）。
• 模型类型：以 results/models/locked_model_config.csv 的 model_type 为准，Python 端训练同类型 sklearn 模型，仅对 test 成员预测一次。
• 实现差异（solver、惩罚、编码细节等）由 Python 脚本写入 results/book_fragments/ch06_python_run.md；不为追求与 R 完全一致的 AUC 反复调参。

契约文件 python_feature_contract.csv 的正文版（完整文件以 CSV 为准）：

表 6.1: 特征契约摘要（来源：results/tables/python_feature_contract.csv）

role	name	type	missing_handling	standardization	factor_levels / reference	positive_class
id	row_id	character	—	—	—	—
outcome	y	numeric	none	no	—	Yes
predictor	npreg glu bp skin bmi ped age（7 个）	numeric	median	yes	—	—
predictor	bmi_cat	factor	mode	no	levels bmi_lt25;bmi_25_29;bmi_ge30，reference bmi_lt25	—

Python 端运行记录与实现差异由脚本自动写入片段，原文如下：

Python 迁移运行记录 · 本片段由 Python 脚本自动生成，供教材引用

数据与成员 - 输入：results/tables/python_model_data.csv（原始尺度，NA 由 Pipeline 内插补）。 - 成员：严格按 split_manifest.csv 取 train=211 / test=89； 并校验 fold_manifest.csv 恰好划分训练集。全程未使用 train_test_split， 未重建 fold，未做基于 seed 的重新抽样。

Pipeline 与模型 - 预处理：数值 7 个 → SimpleImputer(median) + StandardScaler； 因子 1 个（bmi_cat）→ SimpleImputer(most_frequent) + OneHotEncoder（levels 与 reference 来自契约）。 - 模型：logistic（与 R 锁定模型同类型）；超参映射：{}。 - 锁定阈值（来自 R，训练集 OOF + Youden）：0.249745。

本次测试指标（Python 端，预测一次） | 指标 | 值 | |—|—| | AUC | 0.7447 | | Brier | 0.1905 | | Sensitivity / Specificity / Accuracy | 0.7419 / 0.5862 / 0.6404 | | TP / FP / TN / FN | 23 / 24 / 34 / 8 |

与 R 的实现差异（不为对齐 AUC 而调参） - R glm 为无惩罚最大似然（IRLS）；sklearn 以 penalty=None + lbfgs 近似，优化路径不同，系数可有微小数值差。 - AUC：R 端报告 DeLong 95% CI；sklearn roc_auc_score 仅给点估计，CI 口径不同。 - 因子编码：R model.matrix 处理对比（treatment contrast）与 sklearn OneHotEncoder(drop=reference) 等价于参照编码，但列顺序/名称不同。 - 标准化：R 端 glmnet/svm 内部标准化；Python 端在 Pipeline 显式标准化， Logistic 两支线均未惩罚，差异应很小但不必逐位一致。

结果怎么读

把 Python 端指标与 R 端第 5 章的锁定测试评价并排，核对的重点是量级一致、口径差异可解释：

表 6.2: R 端与 Python 端测试指标对照（来源：results/tables/final_test_metrics.csv 与 results/tables/python_test_metrics.csv）

指标	R 端（正式口径）	Python 端（迁移演示）
test n / 事件数	89 / 31	89 / 31（逐行同一批成员）
锁定阈值	0.2497（训练集 OOF + Youden）	0.2497（从锁定配置读取，不重选）
AUC	0.7442（DeLong 95%CI 0.6362–0.8521）	0.7447（roc_auc_score 点估计，未算 CI）
Brier	0.1888	0.1905
Sensitivity / Specificity / Accuracy	0.7742 / 0.5862 / 0.6517	0.7419 / 0.5862 / 0.6404
TP / FP / TN / FN	24 / 24 / 34 / 7	23 / 24 / 34 / 8

读这张表的三条纪律：

1. 成员一致是硬指标：train=211 / test=89、事件 31 必须逐行对上，对不上就是契约破坏，其余数字都不必看。
2. AUC 差 0.0005 量级属预期：差异来自 solver（无惩罚 IRLS ↔︎ lbfgs）、CI 口径（DeLong ↔︎ 仅点估计）、因子编码的列序细节（treatment contrast ↔︎ OneHotEncoder(drop=reference)），脚本已逐条记录在运行片段里。
3. 混淆矩阵差 1 例也属预期：Python 端把 R 端的 1 个 TP 划到了 FN（23/8 vs 24/7），来自概率的微小数值差跨过同一锁定阈值——这正是”允许实现不同”的含义，不是模型变了。

首次出现的指标缩写：受试者工作特征曲线下面积（Area Under the ROC Curve, AUC）、折外（Out-of-Fold, OOF）预测、置信区间（Confidence Interval, CI）在第 4、5 章有完整定义，本章沿用同一口径。

验收清单

逐项核对，全部通过才算迁移完成：

• 4 个契约 CSV（建模数据、split、fold、特征契约）均由 R 端导出且在有效期内；
• Python 端断言全过：train/test 无交叠、fold 恰好划分训练集；
• train=211 / test=89，测试集事件 31，与 R 端逐行一致；
• 全程无 train_test_split、无重建 fold、无基于 seed 的重新抽样；
• 预处理全部在 Pipeline 内；因子 levels 与参照来自契约而非数据现算；
• 模型类型与阈值读自 locked_model_config.csv，未重新调参；
• AUC / Brier 与 R 端同量级（参考 0.7447 / 0.1905 vs 0.7442 / 0.1888）；
• 实现差异已写入运行片段，报告中引用数字注明”以 R 端为正式口径”。

常见错误

按翻车频率排序：

1. 在 Python 端重新划分数据。 症状：图省事 train_test_split(..., random_state=同一个数)，以为 seed 相同成员就相同。处理：R 与 Python 随机流实现不同，seed 值相同不等于成员相同；成员只能读 manifest。
2. 为对齐 AUC 反复调参。 症状：改 penalty、改 C、改 solver 直到小数点后三位一致。处理：实现差异是答案的一部分，如实记录即可；调参对齐制造的是虚假确定性。
3. 预处理放在 Pipeline 外。 症状：先 fit_transform 全数据再进模型。处理：插补与标准化必须进 Pipeline，否则全体数据信息泄漏；这与 R 端的折内红线是同一条。
4. 因子水平让数据”自己决定”。 症状：OneHotEncoder 不写 categories，水平顺序随数据出现顺序变化。处理：levels 与参照从契约读；契约来自 R 端配置，是单一事实源。
5. 阈值在 Python 端重选。 症状：对测试集重新找 Youden 阈值。处理：阈值是第 5 章锁定产物，从 locked_model_config.csv 读；测试集只被评价一次，不参与任何选择。
6. 把迁移演示当第二次正式验证。 症状：报告写”Python 复测 AUC 0.7447，与 R 相互印证”。处理：同一批数据上的复跑不提供新的独立证据；正式口径只有 R 端一条线。

复用时替换什么

把本章脚本搬进你的课题时，按清单替换：

固定不动的部分	需要替换的部分
两清单原则（契约一致、实现可不同）	Demo 数据与变量集（换你的队列与数据字典）
manifest 断言与”取成员”写法	config.R 中的 outcome、正类、预测变量、因子水平与参照
Pipeline 骨架（插补 + 编码 + 标准化 + 模型）	预处理细节（如偏态变量的变换、更多因子变量）
锁定配置读取逻辑	锁定模型类型与超参映射（脚本已支持 logistic / rf / svm / xgb 四支）
差异记录与验收清单	你的报告口径（仍以先完成并锁定的一端为正式口径）

迁移到正式案例（../../04_Cases/ 下的 Myocardial Infarction Complication 或 Early Stage Diabetes Risk Prediction）时，同样先完成 R 端主线并冻结契约，再启动 Python 复跑；顺序不可颠倒。

通用速查片段

五个短片段，与医学分析的日常动作对应，均用模拟数据可直接运行；复制后按”复用时检查”改造。交给 Agent 的标准说法：“先原样跑通模拟数据版本，再按检查清单换成我的数据。”

片段 1：R 读 CSV（显式列类型）

quick_io.R

# 做什么:显式声明列类型读入 CSV,核对后立即落盘派生文件
# 复用时检查:标识列按字符读;col_types 逐列对照数据字典;派生文件不覆盖原始文件
library(readr)
demo <- tibble::tibble(id = c("P001", "P002"), age = c(45, 62))   # 模拟数据
write_csv(demo, "demo_in.csv")

dat <- read_csv("demo_in.csv",
                col_types = cols(id = col_character(), age = col_double()))
stopifnot(nrow(dat) == 2, is.character(dat$id), is.numeric(dat$age))
write_csv(dat, "processed.csv")

片段 2：Python 读 CSV 与按键合并

quick_merge.py

# 做什么:读入结局表与检验表,按患者主键一对一合并
# 复用时检查:主键唯一性先断言;合并后行数与主表一致;validate="1:1" 不放过重复键
import pandas as pd

outcomes = pd.DataFrame({"id": ["P001", "P002", "P003"], "y": [0, 1, 0]})   # 模拟
labs = pd.DataFrame({"id": ["P001", "P002", "P003"], "crp": [3.1, 8.7, 2.4]})

assert outcomes["id"].is_unique and labs["id"].is_unique
df = outcomes.merge(labs, on="id", how="left", validate="1:1")
assert len(df) == len(outcomes)
print(df)

片段 3：R 长宽转换（多次随访测量）

quick_pivot.R

# 做什么:把每个时点一列的宽表转成长表(每行一次测量),供分组汇总与画图
# 复用时检查:时点列的命名规律;转换后行数 = 例数 x 时点数;缺失时点如实保留
library(tidyr)
library(dplyr)
wide <- tibble::tibble(id = c("P001", "P002"),
                       sbp_v1 = c(128, 145), sbp_v2 = c(122, 139))   # 模拟数据
long <- wide %>%
  pivot_longer(cols = starts_with("sbp_"), names_to = "visit",
               names_prefix = "sbp_", values_to = "sbp")
print(long)

片段 4：R 基础 ggplot（分组分布速查）

quick_ggplot.R

# 做什么:画连续变量按结局分组的直方图,快速看分布形态
# 复用时检查:连续变量才画直方图;导出用 ggsave 并指定 dpi;图只展示形态不替代检验
library(ggplot2)
set.seed(2026)
dat <- data.frame(y = rep(c("neg", "pos"), each = 50),
                  value = c(rnorm(50, 5.0, 1.2), rnorm(50, 6.1, 1.4)))  # 模拟数据
ggplot(dat, aes(x = value, fill = y)) +
  geom_histogram(bins = 20, alpha = 0.7, position = "identity") +
  labs(x = "测量值", y = "例数", fill = "结局")

片段 5：Python sklearn Pipeline 骨架

quick_pipeline.py

# 做什么:契约驱动的最小 Pipeline 骨架(数值插补+标准化,因子插补+独热),接任意模型
# 复用时检查:levels 与参照从契约读,不让数据自定;预处理永远进 Pipeline;模型只换一个格子
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler

num_feats, fac_feats = ["age", "crp"], ["stage"]          # 按契约替换
fac_categories = [["I", "II", "III"]]                     # 按契约替换

pre = ColumnTransformer([
    ("num", Pipeline([("imp", SimpleImputer(strategy="median")),
                      ("sc", StandardScaler())]), num_feats),
    ("fac", Pipeline([("imp", SimpleImputer(strategy="most_frequent")),
                      ("oh", OneHotEncoder(categories=fac_categories,
                                           drop=["I"]))]), fac_feats),
])
pipe = Pipeline([("preprocess", pre),
                 ("model", LogisticRegression(penalty=None, max_iter=1000))])

相关资源

• 迁移的概念背景（为什么机器学习换语言不换流程）：../Book1_Course_Lectures/05_机器学习迁移与最终评价.qmd；
• 内部验证与评价口径（OOF、ROC、Calibration、DCA 的定义）：../Book1_Course_Lectures/04_模型评价与内部验证.qmd；
• Python 环境、虚拟环境与”让 Agent 装包”的纪律：../Book2_Tools_Manual/05_让Agent使用R与Python.qmd；
• 出错时的排查路线：../Book2_Tools_Manual/06_出错了怎么办.qmd；
• scikit-learn 官方文档（Pipeline、ColumnTransformer、OneHotEncoder、LogisticRegression）：https://scikit-learn.org/stable/；
• 正式案例与运行指南：../../04_Cases/README_案例运行指南.md。