Estás trabajando con un conjunto de datos de pingüinos. Tu objetivo es construir un pipeline completo de aprendizaje automático que clasifique las especies de pingüinos utilizando un modelo de K-Nearest Neighbors (KNN). El pipeline debe gestionar la codificación de variables categóricas, valores faltantes, escalado de características y ajuste de parámetros.

1. Codificar la variable objetivo y utilizando la clase LabelEncoder.
2. Dividir el conjunto de datos en conjuntos de entrenamiento y prueba usando train_test_split() con test_size=0.33.
3. Crear un ColumnTransformer llamado ct que aplique un OneHotEncoder a las columnas 'island' y 'sex', dejando las demás columnas sin cambios (remainder='passthrough').
4. Definir una cuadrícula de parámetros param_grid que contenga los siguientes valores para n_neighbors: [1, 3, 5, 7, 9, 12, 15, 20, 25], e incluir 'weights' ('uniform', 'distance') y 'p' (1, 2).
5. Crear un objeto GridSearchCV utilizando KNeighborsClassifier() como estimador y param_grid como cuadrícula de parámetros.
6. Construir un pipeline que incluya los siguientes pasos en orden:

• El ColumnTransformer (ct);
• Un SimpleImputer con la estrategia configurada en 'most_frequent';
• Un StandardScaler para el escalado de características;
• El objeto GridSearchCV como paso final.

7. Entrenar el pipeline con los datos de entrenamiento (X_train, y_train) utilizando el método .fit().
8. Evaluar el rendimiento del modelo imprimiendo el puntaje de prueba usando .score(X_test, y_test).
9. Generar predicciones sobre los datos de prueba e imprimir los primeros 5 nombres de clases decodificados utilizando label_enc.inverse_transform().
10. Imprimir el mejor estimador encontrado por GridSearchCV usando el atributo .best_estimator_.