Você está trabalhando com um conjunto de dados de pinguins. Seu objetivo é construir um pipeline completo de aprendizado de máquina que classifique as espécies de pinguins utilizando um modelo K-Nearest Neighbors (KNN). O pipeline deve lidar com codificação de variáveis categóricas, valores ausentes, padronização de variáveis e ajuste de parâmetros.

1. Codifique a variável alvo y utilizando a classe LabelEncoder.
2. Divida o conjunto de dados em conjuntos de treino e teste usando train_test_split() com test_size=0.33.
3. Crie um ColumnTransformer chamado ct que aplica um OneHotEncoder às colunas 'island' e 'sex', mantendo as demais colunas inalteradas (remainder='passthrough').
4. Defina um grid de parâmetros param_grid contendo os seguintes valores para n_neighbors: [1, 3, 5, 7, 9, 12, 15, 20, 25], e inclua 'weights' ('uniform', 'distance') e 'p' (1, 2).
5. Crie um objeto GridSearchCV utilizando KNeighborsClassifier() como estimador e param_grid como grid de parâmetros.
6. Monte um pipeline que inclua, na seguinte ordem:

• O ColumnTransformer (ct);
• Um SimpleImputer com a estratégia definida como 'most_frequent';
• Um StandardScaler para padronização das variáveis;
• O objeto GridSearchCV como etapa final.

7. Treine o pipeline nos dados de treino (X_train, y_train) utilizando o método .fit().
8. Avalie o desempenho do modelo imprimindo o score de teste usando .score(X_test, y_test).
9. Gere previsões nos dados de teste e imprima os 5 primeiros nomes de classes decodificados utilizando label_enc.inverse_transform().
10. Imprima o melhor estimador encontrado pelo GridSearchCV usando o atributo .best_estimator_.