要在自定义转换器中包括多个数据集转换器，可以按照以下步骤进行：

1. 导入所需的库和类：

from sklearn.base import BaseEstimator, TransformerMixin

2. 创建自定义转换器类，并继承BaseEstimator和TransformerMixin类：

class CustomTransformer(BaseEstimator, TransformerMixin):
    def __init__(self, transformer1, transformer2):
        self.transformer1 = transformer1
        self.transformer2 = transformer2
    
    def fit(self, X, y=None):
        self.transformer1.fit(X)
        self.transformer2.fit(X)
        return self
    
    def transform(self, X):
        X_transformed1 = self.transformer1.transform(X)
        X_transformed2 = self.transformer2.transform(X)
        return np.concatenate((X_transformed1, X_transformed2), axis=1)

3. 在__init__方法中初始化使用的数据集转换器，并将其作为类的属性。

4. 实现fit方法来拟合数据集转换器。在这个例子中，我们使用fit方法来拟合两个数据集转换器。

5. 实现transform方法来对数据进行转换。在这个例子中，我们将两个数据集转换器的转换结果合并起来。

6. 示例用法：

from sklearn.preprocessing import MinMaxScaler, StandardScaler

# 创建两个数据集转换器
scaler1 = MinMaxScaler()
scaler2 = StandardScaler()

# 创建自定义转换器
custom_transformer = CustomTransformer(scaler1, scaler2)

# 拟合和转换数据
X_transformed = custom_transformer.fit_transform(X)

在这个示例中，我们创建了两个数据集转换器MinMaxScaler和StandardScaler，然后使用这两个转换器创建了自定义转换器CustomTransformer。最后，我们使用自定义转换器来拟合和转换数据集X。

请注意，这只是一个简单的示例，你可以根据自己的需求对自定义转换器进行相应的修改和扩展。