Los custom transfomer con los que he trabajado hasta ahora eran desarrollados con una clase. Existe una nueva manera a través de la funcionalidad FunctionTransformer de tal manera que aplicando esta a una función la convierte en un transfomer usable

function_transformer.py

import pandas as pd
from sklearn.preprocessing import FunctionTransformer
from sklearn.pipeline import Pipeline
# example
from sklearn.linear_model import LogisticRegression

# X, y

def get_dummies_size(df):
    return pd.get_dummies(df, columns=['size'])

# Using FunctionTransformer to integrate pd.get_dummies
dummies_transformer = FunctionTransformer(get_dummies_size)

# Creating a pipeline
pipeline = Pipeline(steps=[
    ('dummies', dummies_transformer),
    ('classifier', LogisticRegression())
])

# fit
pipeline.fit(X,y)

just_only_one_transformation.py

# If you want to check the transformation results you can use named_steps
preprocessed_X = pipeline.named_steps['dummies'].fit_transform(X)