Feature Store Pipeline – Chuẩn Hóa, One-Hot Encoding Và Train/Test Split

Mục tiêu kiến thức

ML Pipeline cần xử lý nhiều loại feature khác nhau một cách nhất quán.

Yêu cầu

class FeaturePipeline:
    def __init__(self, numeric_cols: list[str], categorical_cols: list[str]):
        pass
    def fit(self, data: dict) -> 'FeaturePipeline':
        # Fit mean/std for numeric, fit categories for categorical
        pass
    def transform(self, data: dict) -> np.ndarray:
        # Z-score normalize numeric, one-hot encode categorical
        # Returns concatenated feature matrix [N, n_numeric + n_onehot]
        pass
    def fit_transform(self, data: dict) -> np.ndarray:
        pass

Ràng buộc

• Thời gian chạy tối đa: 3000ms.
• Giới hạn bộ nhớ: 256MB.
• Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.