在Scikit-learn中，我們可以通過繼承BaseEstimator和TransformerMixin來創建自定義轉換器。下面是一個簡單的示例代碼：

from sklearn.base import BaseEstimator, TransformerMixin

class CustomTransformer(BaseEstimator, TransformerMixin):
    
    def __init__(self, param1, param2):
        self.param1 = param1
        self.param2 = param2
        
    def fit(self, X, y=None):
        return self
    
    def transform(self, X):
        # 在這里編寫自定義轉換邏輯
        X_transformed = X * self.param1 + self.param2
        return X_transformed

在上面的代碼中，我們創建了一個名為CustomTransformer的自定義轉換器，它接受兩個參數param1和param2，并實現了fit和transform方法。在fit方法中，我們只需要返回self即可；在transform方法中，我們可以編寫具體的轉換邏輯。

使用自定義轉換器的方式和使用Scikit-learn內置的轉換器一樣，可以將其放入Pipeline中進行數據預處理。

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

# 創建自定義轉換器
custom_transformer = CustomTransformer(param1=2, param2=3)

# 創建Pipeline
pipeline = Pipeline([
    ('custom', custom_transformer),
    ('scaler', StandardScaler())
])

# 使用Pipeline進行數據預處理
X_train_processed = pipeline.fit_transform(X_train)

通過這種方式，我們可以方便地在Scikit-learn中實現自定義的轉換邏輯，使數據預處理過程更加靈活和定制化。