sklearn pipeline 的用法，请举个示例python 代码

sklearn 的 pipeline 是机器学习中非常方便的工具，可以将多个预处理方法和模型组合成一个整体，用于训练和测试数据集。下面是一个简单的示例代码：

from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 导入数据集并划分训练集和测试集
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=0)

# 创建 Pipeline 对象，包含三个步骤：缺失值填充、特征缩放和 PCA 降维
pipe = Pipeline([
    ('imputer', SimpleImputer(strategy='mean')),
    ('scaler', StandardScaler()),
    ('pca', PCA(n_components=2))
])

# 使用 Pipeline 对象对训练集进行预处理和训练
X_train_transformed = pipe.fit_transform(X_train, y_train)

# 使用 Pipeline 对象对测试集进行预处理和预测
score = pipe.score(X_test, y_test)
print(score)

# 把预处理和模型训练组合成一个 Pipeline 对象
clf = Pipeline([
    ('preprocessing', pipe),
    ('classifier', LogisticRegression())
])

# 使用 Pipeline 对象对训练集进行预处理和训练
clf.fit(X_train, y_train)

# 使用 Pipeline 对象对测试集进行预处理和预测
score = clf.score(X_test, y_test)
print(score)

这个示例中，我们使用了 Pipeline 对象来组合三个步骤：缺失值填充、特征缩放和 PCA 降维。我们还使用了另一个 Pipeline 对象来组合预处理和模型训练。最终，我们使用这个对象对测试集进行预处理和预测，并计算了预测的准确率。