在使用sklean處理一個機器學習例項時，可能會經過資料縮放、特徵合併以及模型學習擬合等過程；並且，當問題更為複雜時，所應用到的演算法以及模型則較為繁雜。
與此同時，經過實踐發現，在忽略一些細節的前提下，可以通過將這些資料處理步驟結合成一條演算法鏈，以更加高效地完成整個機器學習流程；由此，管道（pipeline）概念與機制應運而生。
pipeline概念
所謂管道，即由一系列資料轉換步驟或待擬合模型（如果有，則模型必須處於管道末端）構成的加工鏈條。
下面以例項釋之：
未使用管道（pipeline）前
從上圖小例項中可以看出，程式中著重有兩個資料處理流程，一個是資料縮放MinMaxScaler()，另一個是模型擬合svm.fit(X_train_scaled, y_train)，並且兩個步驟具有明顯的先後順序，還是分開操作。
使用管道（pipeline）後
從上圖中可以看出，程式將之前的兩個步驟結合到一個管道（pipe）中，此後只需將訓練資料與測試資料流經管道，則相應的資料轉換和模型擬合與應用流程會更加高效且簡潔地完成。
為什麼使用管道
可能有同學指出，管道只是能簡化程式碼，但也不是缺其不可。實際上，管道的作用不僅在於簡化程式碼，更在於一些關鍵的資料轉換步驟需要管道機制加持，比如交叉驗證。
看下圖，是使用傳統處理流程進行交叉驗證的圖示；
可以看到，在圖的上半部分表示交叉驗證區域中，進行資料縮放處理時，同時用到了訓練資料與驗證資料，但是這是不符合要求的；
即使是驗證資料的縮放，也要使用經訓練資料擬合過後的MinMaxScaler()，而驗證資料本身不應該參與到MinMaxScaler()擬閤中，這樣會洩露驗證資料包含的資訊，從而導致驗證結果偏離實際。
所以，符合要求的交叉驗證圖示應類似於下圖
如果要手動實現上述劃分是異常麻煩的，因為需要人工干預每一次的交叉驗證操作；但如果用到pipeline，則實現的程式碼非常簡潔，只不過把網格搜尋的估計器置換成構建的管道（pipe），部分關鍵程式碼如下圖：
