在使用sklean处理一个机器学习实例时，可能会经过数据缩放、特征合并以及模型学习拟合等过程；并且，当问题更为复杂时，所应用到的算法以及模型则较为繁杂。

与此同时，经过实践发现，在忽略一些细节的前提下，可以通过将这些数据处理步骤结合成一条算法链，以更加高效地完成整个机器学习流程；由此，管道（pipeline）概念与机制应运而生。

pipeline概念

所谓管道，即由一系列数据转换步骤或待拟合模型（如果有，则模型必须处于管道末端）构成的加工链条。
下面以实例释之：

未使用管道（pipeline）前

从上图小实例中可以看出，程序中着重有两个数据处理流程，一个是数据缩放MinMaxScaler()，另一个是模型拟合svm.fit(X_train_scaled, y_train)，并且两个步骤具有明显的先后顺序，还是分开操作。

使用管道（pipeline）后

从上图中可以看出，程序将之前的两个步骤结合到一个管道（pipe）中，此后只需将训练数据与测试数据流经管道，则相应的数据转换和模型拟合与应用流程会更加高效且简洁地完成。

为什么使用管道

可能有同学指出，管道只是能简化代码，但也不是缺其不可。实际上，管道的作用不仅在于简化代码，更在于一些关键的数据转换步骤需要管道机制加持，比如交叉验证。

看下图，是使用传统处理流程进行交叉验证的图示；
可以看到，在图的上半部分表示交叉验证区域中，进行数据缩放处理时，同时用到了训练数据与验证数据，但是这是不符合要求的；
即使是验证数据的缩放，也要使用经训练数据拟合过后的MinMaxScaler()，而验证数据本身不应该参与到MinMaxScaler()拟合中，这样会泄露验证数据包含的信息，从而导致验证结果偏离实际。

所以，符合要求的交叉验证图示应类似于下图

如果要手动实现上述划分是异常麻烦的，因为需要人工干预每一次的交叉验证操作；但如果用到pipeline，则实现的代码非常简洁，只不过把网格搜索的估计器置换成构建的管道（pipe），部分关键代码如下图：

可以看到，在pipeline的加持下，机器学习的步骤更加清晰明了，并且所实现的功能越来越多。