您绝对应该采用第一种情况。那是因为您使用的转换器具有一些参数（例如，在标准标量的情况下的平均值和标准偏差），并且这些参数是从机器学习模型的参数等数据中学习的。如您所知，您不应该使用验证和测试数据来学习模型参数，出于同样的原因，您也不应该使用它们来学习变压器参数。因此，如果您想尝试实际的机器学习场景，您应该只使用训练样本来拟合您的变压器参数。

预置转换必须应用于所有数据集（训练、测试和验证）。无论您在一个子集中添加什么功能，都必须在其他子集中添加。

如果您正在验证和测试数据是随机选择的，并且您在所有子集上应用了精确的转换，那么这两种情况都可以工作，但第二种情况在某些方面更好：

• 首先，编码更容易，您只需编写一次转换线。
• 其次，它可能更快，例如，如果您使用 python，您将受益于 numpy 的强大功能
• 三是风险较小，举个例子。您有一个分类变量，出于某种原因，您决定将该变量中的缺失值替换为出现次数最多的值。如果值出现接近，您的子集中可能有不同的值。如果用平均值替换数值，也会发生同样的情况。如果您随机选择子集，这不太可能，但您知道，没有完美的随机性。

我建议选择第二个选项，因为它更容易且风险更小。但是，您仍然可以在某个时候同时尝试这两种方法，您会看到每种方法的优缺点。