sklearn提供了Pipeline将多个学习器组成流水线。通常，流水线的形式为：将数据标准化的学习器-->特征提取的学习器-->执行预测的学习器。除了最后一个学习器之外，之前的所有学习器必须提供tranform方法，该方法用于数据变换（如归一化，正则化，以及特征提取等）。

Pipeline的原型为：

class sklearn.pipeline.Pipeline(steps)

参数：

steps:一个列表，列表的元素为(name,transform)元组,其中name是学习器的名字，用于输出和日志；transform是学习器，之所以叫transform是因为这个学习器（除了最后一个）必须提供transform方法。

属性：

named_steps:一个字典，字典的键就是steps中各元组的name元素，字典的值就是steps中各元组的transform元素。

方法：

fit(X[,y]):启动流水线，依次对各个学习器（除了最后一个学习器）执行fit方法和transform方法转换数据，对最后一个学习器执行fit方法训练学习器。

transform(X)：启动流水线，依次对各个学习器执行fit方法和transform方法转换数据。要求每个学习器都实现了tranform方法。

fit_transform(X[,y])：启动流水线，依次对各个学习器（除了最后一个学习器）执行fit方法和transform方法转换数据，最后一个学习器执行fit_transform方法转换数据。

inverse_transform(X):将转换后的数据逆转换成原始数据，要求每个学习器都实现了inverse_transform方法。

predict(X)/predict_log_proba(X)/predict_proba(X):将X进行数据转换后，用最后一个学习器来预测。

score(X,y):将X进行数据转换后，用最后一个学习器来给出预测评分。

Demo：

from sklearn.datasets import load_digits  
from sklearn import cross_validation  
from sklearn.svm import LinearSVC  
from sklearn.linear_model import LogisticRegression  
from sklearn.pipeline import Pipeline  
  
def test_Pipeline(data):  
    x_train,x_test,y_train,y_test=data  
    steps=[('Linear_SVM',LinearSVC(C=1,penalty='l1',dual=False)),('LogisticRegression',LogisticRegression(C=1))]  
    pipeline=Pipeline(steps)  
    pipeline.fit(x_train,y_train)  
    print('name steps:',pipeline.named_steps)  
    print('Pipeline score:',pipeline.score(x_test,y_test))  
      
if __name__=='__main__':  
    data=load_digits()  
    X=data.data  
    y=data.target  
    test_Pipeline(cross_validation.train_test_split(X,y,test_size=0.25,random_state=0,stratify=y))  

pipeline.named_steps给出了流水线上每一步使用的学习器

pipeline.score给出来最后一个学习器的预测性能得分，该学习器的输入数据为原始数据经过流水线处理后的数据。